arXiv cs.AI· Yaxuan Wu, Ali Mohammed Mansoor Alsahag, Seyed Sahand Mohammadi Ziabari·· 13 小时前AI 评分18
CASL：荷兰多井地下水水位异常预测的选择性迁移学习与精度-风险权衡
Selective Transfer Learning for Groundwater Level Anomaly Forecasting: Accuracy-Risk Trade-offs
AI 导读
研究提出 Context-Aware Selective Learning（CASL），对冻结的无迁移与固定迁移父模型做校准训练的约束上下文混合，用于荷兰 457 口井、13,718 个测试窗口的地下水异常预测。
正文 · AI 翻译
摘要：本工作研究了用于荷兰多井地下水异常预测的上下文感知选择性迁移学习。源域预训练可以提高平均准确率，但并非普遍可靠：它会在相当一部分异构井上降低性能。上下文感知选择性学习（CASL）使用经校准训练的、受约束的上下文混合，将冻结的无迁移父模型与固定迁移父模型进行融合。全局凸混合使用相同的父模型，但每个种子使用一个经校准拟合的权重。修正后的任务要求九个连续观测的月度输入和精确的三个日历月目标，且不进行插值。评估涵盖 457 口井和 13,718 个测试窗口，采用五个预定义种子，并使用仅基于 Always-TL 验证 RMSE 冻结的四单元 maxsim0.60 源池。固定迁移对 18.38-51.86% 的井造成损害。CASL 的 RMSE 比无迁移低 0.424-1.084%，部分挽救 97.53-99.50% 的固定迁移受损井，完全挽救 23.46-43.78% 的固定迁移受损井。部分挽救可能从结构上源于凸混合，并不能确立上下文优越性。全局凸混合在四个种子中保护了更多井，而 CASL 在四个种子中具有略低的汇总 RMSE。两者均不占主导地位：结果支持在固定划分上的准确率-风险权衡，而非滚动部署有效性。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37733 [cs.LG] |
| （或 arXiv:2610.37733v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.37733 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ali Alsahag [查看电子邮件]
[v1]
2026 年 10 月 27 日星期二 13:15:35 UTC（301 KB）
来源：arXiv cs.AI · arxiv.org