arXiv cs.AI· Guangtao Zhang, Haonan Wu, Junxuan Gao, Zhengyang Liu, Zhaoxi Zeng, Zhihao Li, Jianguo Huang, Zhiqiang Liu·· 11 小时前AI 评分26
CARM：面向可靠科学超分辨率的共形自适应风险掩码
CARM: Conformal Adaptive Risk Masking for Reliable Scientific Super-Resolution
AI 导读
CARM 是一个在时序分布偏移下自适应控制空间风险的统计框架，通过维护不同更新速率的专家并用非对称代理损失在线聚合阈值，可与任意提供空间不确定性分数的超分辨率模型配合使用。
正文 · AI 翻译
摘要：基于深度学习的超分辨率（SR）能够从粗粒度观测中重建精细尺度的地球观测场，但仅凭重建精度并不能提供用于识别可靠空间区域的校准规则。保形掩码校准（CMC）建立在保形风险控制之上，将空间不确定性分数转换为信任掩码，并在可交换性假设下控制期望的最坏情况局部失真。然而，其固定阈值在地球观测数据流中受季节性和偶发事件影响时可能失准。我们提出 $\textit{CARM}$（保形自适应风险掩码），一个用于时间分布偏移下自适应空间风险控制的统计框架。CARM 维护具有异构更新速率的专家，并使用非对称代理损失在线聚合它们的阈值提议，在快速适应分布变化与相对平稳时期的稳定性之间取得平衡。所有更新都是因果的，并且仅使用在固定延迟后可获得的成熟反馈，使 CARM 能够与任何提供空间不确定性分数的 SR 模型配合运行。我们证明，时间平均的掩码条件风险以 $O(1/T)$ 的速率收敛到至多 $\alpha$，无需分布假设，且对专家间聚合权重的任意选择均成立。在每日南海叶绿素-$\textit{a}$ SR 数据流上，在 $\alpha=0.10$ 时，CARM 将经验违反率从 $43.49\%$ 降至 $9.38\%$，并将移动平均超限频率从 $47.29\%$ 降至 $1.22\%$，同时保留非平凡的信任区域。在 ERA5 风和 OSTIA 海表温度上的实验进一步表明，在多个 SR 骨干网络上均取得一致的相对改进。
| 学科： | 人工智能（cs.AI）；机器学习（cs.LG）；概率（math.PR） |
| 引用为： | arXiv:2611.06151 [cs.AI] |
| （或使用 arXiv:2611.06151v1 [cs.AI] 获取此版本） | |
| https://doi.org/10.48550/arXiv.2611.06151 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jianguo Huang [查看邮箱]
[v1]
2026年11月4日星期三 08:32:19 UTC（389 KB）
来源：arXiv cs.AI · arxiv.org