10:23
官方账号arXiv cs.AI@Shahab Band, Hamed Mohammadi
推荐理由：这个双编码器迁移框架挺有意思：美国数据预训练、台湾数据适配，PM2.5预测MSE比旧方法降了7%，消融实验也扎实。
双编码器
共 1 条相关 AI 资讯
8月17日
10:23
针对目标域观测数据有限且源域与目标域统计特性不同的问题，提出一种移位感知双编码器迁移框架。源编码器使用美国10个监测站的逐时观测数据预训练，再用台湾77个站点两年的逐时数据按时间顺序划分训练集和验证集进行适配与评估。在四个基线中，冻结源编码器的双编码器模型达到最佳性能：MSE=21.8960, MAE=3.1597, R^2=0.8725，相比TL-v1的MSE降低约7.1%，相比TL-v2降低约4.1%。消融实验显示移除台湾特定分支导致性能下降最明显，而让源编码器在目标监督下适应得到最优结果（MSE=21.6575, MAE=3.1383, R^2=0.8739）。SHAP分析表明预测主要由近期PM2.5观测和与污染物输送扩散相关的气象变量驱动。