SAGE-XGBoost: 空间增强图嵌入——数据稀缺条件下的自然灾害易发性映射机器学习框架

arXiv cs.LG 论文
machine-learning graph-embeddings natural-hazards susceptibility-mapping data-scarcity xgboost geospatial-prediction

摘要

SAGE-XGBoost 是一个机器学习框架，它使用空间增强图嵌入和数据增强来提升在数据稀缺条件下的自然灾害易发性映射，展示了优于传统模型的性能。

arXiv:2608.19672v1 公告类型：新 摘要：自然灾害易发性映射通常受限于有限的标记数据，降低了传统机器学习的泛化能力，并限制了复杂深度学习模型的应用。本研究提出了 SAGE（空间增强图嵌入），这是一个结构化的特征工程框架，结合了基于受控噪声的数据增强和基于邻域的图嵌入，以在数据稀缺条件下改善预测。构建了一个 K 近邻图来派生局部空间统计量，这些统计量通过主成分分析降维，并与环境协变量和空间坐标集成。所得特征与 XGBoost 一起用于开发 SAGE-XGBoost 模型。该框架在滑坡和野火易发性映射中进行了评估。SAGE-XGBoost 始终优于传统和显式空间机器学习模型。与 Spatial XGBoost 相比，在两个案例研究中实现了超过 33 个百分点的绝对改进。该模型在滑坡易发性映射中达到了约 0.97 的 AUC 值，在野火易发性映射中达到了约 0.95 的 AUC 值。特征重要性分析证实了图嵌入对预测的贡献，而其集成改善了空间一致性并减少了局部噪声放大。总体而言，SAGE-XGBoost 为有限监督下的环境灾害评估和其他地理空间预测任务提供了一种高效且可转移的深度表示学习替代方案。
查看原文
查看缓存全文

缓存时间: 2026/08/21 10:26 

# SAGE-XGBoost：空间增强图嵌入——数据稀缺条件下的自然灾害易发性映射机器学习框架
来源：https://arxiv.org/abs/2608.19672  
查看PDF (https://arxiv.org/pdf/2608.19672)

> **摘要**：自然灾害易发性映射常受标记数据有限的制约，这降低了传统机器学习的泛化能力，并限制了复杂深度学习模型的应用。本研究提出SAGE（空间增强图嵌入），一种结合受控噪声数据增强与基于邻域的图嵌入的结构化特征工程框架，旨在改善数据稀缺条件下的预测性能。该框架构建K近邻图以推导局部空间统计量，通过主成分分析降维后与环境协变量及空间坐标整合。所得特征与XGBoost结合构建SAGE-XGBoost模型。该框架通过滑坡与野火易发性映射进行评估。SAGE-XGBoost在两项案例研究中均持续优于传统及显式空间机器学习模型，相较于Spatial XGBoost，其绝对精度提升超过33个百分点。模型在滑坡易发性与野火易发性映射中AUC值分别达到约0.97与0.95。特征重要性分析证实图嵌入对预测的贡献，且其整合提升了空间连贯性并抑制了局部噪声放大。总体而言，SAGE-XGBoost为有限监督条件下的环境灾害评估及其他地理空间预测任务提供了高效且可迁移的深度表示学习替代方案。

## 提交历史

发件人：Mohammad Hassan Vahidnia \[查看邮件 (https://arxiv.org/show-email/b11fdda8/2608.19672)\] **\[v1\]** 2026年8月20日 星期四 06:07:07 UTC（3,042 KB）

相似文章

SAGE：通过拓扑引导缓解长期推理偏差

Hugging Face Daily Papers

SAGE是一个框架，通过代数稀疏化和双曲结构引导，缓解大型语言模型在长期推理中的探索偏差和复合偏差，在多个基准测试中取得显著改进。

AGE：图检索增强生成中的自适应掩码图嵌入方法

Hugging Face Daily Papers

介绍了自适应掩码图嵌入（AGE），这是一种基于Transformer的自监督学习方法，通过专注于预测非关键节点，解决了GraphRAG任务中LLM的图表示与文本表示之间的潜在特征不对齐问题。