论文页面 - TailBooster：一种双层生成框架，用于极值增强并强制操作可行性

来源: https://huggingface.co/papers/2608.11951

摘要

TailBooster 采用双层生成框架，结合统计尾部提取和深度自编码器清洗，合成操作上有效的极端航空运输事件，显著提升了极端事件预测的准确性。

航空运输中的极端事件（如严重到达延误和异常空中时间）会引发级联式网络中断，带来巨大的运营、经济和安全成本。这类事件在历史记录中十分罕见，导致机器学习模型缺乏足够的训练信号。合成数据增强（https://huggingface.co/papers?q=Synthetic%20data%20augmentation）提供了一种原理上可行的解决方案，但传统生成模型对分布尾部表达不足，并且无法保证不会生成操作上不可行的实例，例如短空中时间搭配长飞行距离。现有方法均无法同时解决混合类型表格记录中的这两个局限性。我们提出 TailBooster，一个双层生成框架，将生成建模与两个异常检测层相结合。统计层通过四分位距（https://huggingface.co/papers?q=interquartile%20range）提取极端值，为专门的生成模型（此处为表格变分自编码器（https://huggingface.co/papers?q=Tabular%20Variational%20Autoencoder））提供集中于尾部的训练信号。随后，深度学习层应用基于自编码器的清洗（https://huggingface.co/papers?q=autoencoder-based%20cleaning），丢弃那些违反从历史数据中学习到的操作边界的合成记录。该框架在美国航班记录上从五个维度进行了评估：多样性、统计相似性、保真度、操作有效性（https://huggingface.co/papers?q=operational%20validity）以及效用，其中后两者是主要的改进目标。数据驱动的清洗显著提升了操作有效性（https://huggingface.co/papers?q=operational%20validity），而针对性增强则提升了极端事件预测（https://huggingface.co/papers?q=extreme-event%20prediction）的效用。在六种回归算法上，相对于传统合成数据，使用该框架生成的记录进行训练，使极端空中时间的平均绝对误差降低了 47-49%，极端到达延误预测的平均绝对误差降低了 29-57%；当用合成极端值丰富真实记录时，也获得了类似的提升。TailBooster 完全由数据驱动且与模型无关，可扩展到极端事件预测（https://huggingface.co/papers?q=extreme-event%20prediction）至关重要且缺乏特定领域规则的领域。

查看 arXiv 页面（https://arxiv.org/abs/2608.11951）查看 PDF（https://arxiv.org/pdf/2608.11951）项目页面（https://www.sesarju.eu/projects/SynthAIR）添加到收藏集（https://huggingface.co/login?next=%2Fpapers%2F2608.11951）

在您的 agent 中获取此论文：

hf papers read 2608\.11951

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2608.11951 即可从此页面链接该模型。

引用此论文的数据集0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.11951 即可从此页面链接该数据集。

引用此论文的 Space0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2608.11951 即可从此页面链接该 Space。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集（https://huggingface.co/new-collection）以从此页面链接它。