CARM：用于可靠科学超分辨率的共形自适应风险掩膜

arXiv:2611.06151v1 公告类型：交叉收录 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，但仅凭重建精度无法提供用于识别可靠空间区域的校准规则。Conformal Mask Calibration（CMC）基于共形风险控制，将空间不确定性评分转换为信任掩膜，并在可交换性条件下控制最坏情况下局部失真的期望值。然而，在受季节性和偶发事件影响的地球观测数据流中，其固定阈值可能失去校准。我们提出了 $\textit{CARM}$（Conformal Adaptive Risk Masking），这是一个在时间分布偏移下实现自适应空间风险控制的统计框架。CARM 维护具有不同更新速率的专家，并使用非对称替代损失在线聚合其提出的阈值，在快速适应分布变化与保持相对平稳时期的稳定性之间取得平衡。所有更新均遵循因果性，仅使用经过固定延迟后可获得的成熟反馈，因此 CARM 可与任何提供空间不确定性评分的 SR 模型配合使用。我们证明，无须任何分布假设，且无论如何选择专家间的聚合权重，时间平均的掩膜条件风险均以 $O(1/T)$ 的速率收敛至不高于 $\alpha$ 的水平。在南海逐日叶绿素-$\textit{a}$ SR 数据流上，当 $\alpha=0.10$ 时，CARM 将经验违规率从 $43.49\%$ 降至 $9.38\%$，将移动平均超限频率从 $47.29\%$ 降至 $1.22\%$，同时保留了非平凡的可信区域。在 ERA5 风场和 OSTIA 海表温度上的实验进一步表明，CARM 在多种 SR 骨干模型上均实现了一致的相对改进。