Zenodo (CERN European Organization for Nuclear Research)·10月21日 · 周三论文农业人工智能与决策模型阅读 0
Distributionally-Robust Evaluation of Computer Vision Agriculture Disease Classifiers Under Climate-Driven Pathogen Range Shifts: An Artificial Intelligence Worst-Case Generalization Bound
Kossi Afeli · Akouvi Amegashie · Komlan Sélom Dossou
论文解读
75精选
速览
提出气候校准的分布鲁棒评估准则，替代i.i.d.假设评价作物病害视觉分类器。
方法
用Wasserstein球建模部署分布偏移，以NASA POWER哈拉雷气温数据
发现
气候位移超阈值后，半径项主导经验风险，现有评估会高估模型泛化能力。
机会点
可将气候校准的鲁棒评估扩展到多作物多区域，并研究适应分布偏移的鲁棒训练方法。
影响力12
信息增量22
专业深度18
信源权威13
时效性10
方法新颖、数据具体，但属方法论预印论文，产业影响有限，适合作为专业精选而非头条。
原文摘要
作物病害的计算机视觉分类器几乎完全在与训练数据同分布的留出样本上进行评估，然而气候驱动的病原体分布范围变化意味着部署环境系统性地处于分布之外。该框架将部署分布视为训练分布在Wasserstein球内的对抗性扰动，球的半径根据观测到的气候位移进行校准。利用NASA POWER对津巴布韦哈拉雷的月度再分析数据（2000—2023年，312个月度观测值），分析估计平均气温为18.914°C，标准差为3.107°C，每十年升温趋势为0.2001°C。这些估计值锚定了模糊集的半径及由此得到的界。该界将最坏情况风险分解为经验风险项、由分类器Lipschitz常数缩放后的Wasserstein半径项以及集中项。在卷积骨干网络合理的Lipschitz常数下，一旦气候位移超过哈拉雷记录已接近的阈值，半径项便主导经验风险项。本文的贡献在于提出了一种形式化评估准则，以气候校准的模糊集替代独立同分布（i.i.d.）假设，并提供了计算该准则所需的分析工具。