Adapting Actively on the Fly: Relevance-Guided Online Meta-Learning with Latent Concepts for Geospatial Discovery¶

会议: NeurIPS 2026
arXiv: 2602.17605
OpenReview: https://openreview.net/forum?id=0SGmhIr9iM
领域: 其他
关键词: 地理空间主动发现, 在线元学习, 概念相关性编码, 概念漂移, PFAS污染监测

一句话总结¶

针对严格采样预算、不可回访流式数据和分布漂移下的地理空间目标发现难题，提出 OWL-GPS 形式化框架，通过 CVAE 建模领域概念相关性分布，并结合相关性加权主动采样与基于语义聚类的动态元批次在线元学习，实现高召回、高成功率的环境热点探索与识别。

研究背景与动机¶

在环境监测、灾害应急与公共卫生等关键现实任务中，精准定位具有重大危害但极其弥散的目标（如致癌物全氟和多氟烷基物质 PFAS 污染热点、水体污染羽流或病害扩散区）面临着极其严峻的数据获取瓶颈。以 PFAS 监测为例，地面真实标签需要依赖耗时费力且昂贵的专业实验室色谱质谱化学分析（LC-MS），在每个监测周期内往往只有约 100 个采样点的极小预算；同时，遥感图像中难以直接“看到”化学污染本身，必须借助土地覆盖、水文拓扑与排污源距离等多维空间线索进行间接推理。

现有地理空间搜索与主动采样范式在这一场景下全面失效。传统的强化学习（RL）和部分可观测马尔可夫决策过程（POMDP）需要海量交互经验或大量密集标注，且通常受限于局部离散目标识别；经典 Bandit 算法缺乏捕捉高维空间和语义自相关结构的能力；而主动学习和终身学习方法通常假设存在静态无标签数据池、支持样本重复回访（Replay Buffer）或预设明确的任务边界，无法应对数据以不可回访数据流依次到达、环境与空间分布随时间发生潜在漂移（Latent Concept Drift）的现实开环限制。

面对严格采样预算、不可回访输入、空间相关性强及潜在分布漂移的四重制约，传统机器学习难以兼顾主动探索（Exploration）与靶向利用（Exploitation）。本文的核心切入角度在于：利用先验的领域概念（土地利用、水流方向、排污源邻近度等），引入隐变量建模概念对目标存在的“动态相关性”，并以此相关性统一统筹采样决策、回放池多样性维护与在线元适应。核心 idea：形式化开环地理空间预测与采样问题（OWL-GPS），通过 CVAE 隐空间学习概念相关性分布，构建相关性引导的主动不确定性采样策略与基于核心/储备双缓冲区的语义聚类元批次构建机制，以在线元学习在非平稳流式环境中实现快速自适应与高效目标发现。

方法详解¶

整体框架¶

本文提出的方法包含两大层级：表征层（Representation Layer）与决策层（Decision Layer）。表征层负责将多通道遥感和空间辅助栅格映射为正交化的领域概念，并通过条件变分自编码器（CVAE）学习每个区域特定的概念相关性隐变量；决策层则完全由该相关性变量驱动，依次执行相关性引导采样、双缓冲区元批次构建以及单步/元梯度在线参数更新。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入多通道地理空间栅格 x<br/>(遥感影像/土地覆盖/水文流向/污染源距离)"] --> B["概念编码器与正交化<br/>MAE预训练ViT抽取特征并施加Gram-Schmidt正交化"]
    B --> C["概念相关性条件变分编码器<br/>推断相关性分布均值与方差得到相关性向量"]
    C --> D["相关性引导主动采样策略<br/>平衡探索与利用评分并按动态预算退火权重决策"]
    D --> E["真实环境采样与双缓冲区维护<br/>揭示真实标签并写入核心/储备池且实施寿命淘汰"]
    E --> F["相关性感知多样性元批次构建<br/>贪心相交超立方聚类提取代表性支持/查询集"]
    F --> G["在线元学习双层参数更新<br/>内层元更新与当前步单样本在线适应连续演进"]

关键设计¶

1. 概念编码器与正交化：结构化解耦领域驱动因素

针对复杂地理空间栅格多通道之间强耦合、信息冗余的问题，模型首先构建结构化概念表征。输入图像尺寸为 $256 \times 256$ 像素，通道数包含遥感反射率、高分辨率土地覆盖栅格（NLCD）、ArcGIS/SAGA 提取的水流方向与累积流向水文拓扑图，以及针对已知排污设施的距离变换场。网络基于轻量化 Vision Transformer（ViT）采用掩码自编码器（MAE）架构在无监督下预训练，以掩码重建损失优化空间特征提取。为了彻底消除潜在概念轴之间的特征共线性并增强下游决策的多样性，对提取出的 $K$ 维原始概念向量 $\tilde{c}(x)$ 施加格拉姆-施密特正交化（Gram-Schmidt Orthogonalization）： $$c(x) = \text{GS}(\tilde{c}(x))$$ 正交化后的概念向量 $c(x)$ 构成了统一且语义解耦的隐空间底座，使后续相关性推断能够稳定归因于独立的物理驱动因子。

2. 概念相关性条件变分编码器：动态不确定性建模

环境污染及地物存在规律在不同区域之间呈现高度异质性与潜在漂移，概念的重要程度并非全局静态不变。模型采用条件变分自编码器（CVAE）将概念相关性建模为条件隐变量 $r(c(x)) \in \mathbb{R}^K$。相关性编码器由轻量三层卷积与线性映射组成，输出后验高斯分布的均值 $\mu_{\zeta}(c(x))$ 与标准差 $\sigma_{\zeta}(c(x))$： $$r(c(x)) = \mu_{\zeta}(c(x)) + \epsilon \odot \sigma_{\zeta}(c(x)), \quad \epsilon \sim \mathcal{N}(0, I)$$ 其中第 $i$ 维分量 $\alpha_{c_i}(x)$ 精确量化了第 $i$ 个物理概念对当前区域目标存在的边际贡献。解码器 $p_\phi(y \mid c(x), r(c(x)))$ 则将正交概念特征与采样的相关性向量拼接，经由双头全卷积网络（Dual-Head FCN）输出像素级目标存在概率预测 $\pi_\theta(x)$。整个表征模块通过最大化证据下界（ELBO）联合优化像素级 Focal Loss 与先验对齐的 KL 散度： $$\mathcal{L}_{\text{CVAE}} = \mathbb{E}_{r \sim p_\zeta}[\mathcal{L}_{\text{Focal}}(\pi_\theta(x), y)] + \beta \, \text{KL}\big(\mathcal{N}(\mu_\zeta, \text{diag}(\sigma_\zeta^2)) \,\|\, \mathcal{N}(0, I)\big)$$

3. 相关性引导主动采样策略：自适应探索与靶向利用

在有限预算下，采样决策既要挖掘高价值潜在污染区，又要探索未知概念形态以防策略陷入次优盲区。在模型训练阶段，采样优先选择在相关性空间中最具新颖度且预测最不确定的区域： $$x^{(q_t)} = \arg\max_{x \in \mathcal{X}_{\text{train}} \setminus \{k\}} \exp(w_x) \sum_{i=1}^P \exp\big(-|\pi_{\theta^{t-1}}(x_i) - 0.5|\big)$$ 其中权重 $w_x = \sum_{x' \in \{k\}} \|\mu_x - \mu_{x'}\|_2^2$ 衡量当前候选区域与已采样集合 $\{k\}$ 在相关性均值上的欧氏发散度（理论证明其上界对应高斯混合模型的信息熵）。在推理部署阶段，策略引入动态退火机制平衡两项得分： $$\text{Score}(x) = \kappa(\mathcal{C}) \cdot \text{Explore}(x) + \big(1 - \kappa(\mathcal{C})\big) \cdot \text{Exploit}(x)$$ $$\text{Explore}(x) = \exp(w_x) \sum_{i=1}^P \exp\big(-|\pi_{\theta^{t-1}}(x_i) - 0.5|\big), \quad \text{Exploit}(x) = \exp(-w_x) \sum_{i=1}^P \exp(\pi_{\theta^{t-1}}(x_i))$$ 平衡系数设定为随已用步数 $t$ 和总预算 $\mathcal{C}$ 线性衰减的函数 $\kappa(\mathcal{C}) = \frac{\mathcal{C} - t}{\mathcal{C} + t}$，使得搜索在初期着重广域探索消除不确定性，后期全面收敛至高置信度高风险热点进行靶向挖掘。

4. 相关性感知多样性元批次构建：非平稳流式记忆维护

面对严格不可回访与内存限制，系统维护两个定容滑动缓冲区：核心缓冲区 $\mathcal{D}^{\text{core}}$ 与储备缓冲区 $\mathcal{D}^{\text{reservoir}}$。新样本标注后以初生状态进入核心池；当核心池满载时，超时超出寿命阈值的样本被下放至储备池，储备池溢出时彻底淘汰。样本优先级计分为 $\exp\big(\frac{\text{duration}}{\text{count} + 1}\big)$，同时鼓励挑选新鲜样本并惩罚过度使用的样本。为了构建具有广泛语义覆盖度且利于快速泛化的元任务批次，在相关性特征空间中采用贪心相交超立方聚类算法（Greedy Intersection Algorithm, GIA）对核心池样本进行降维聚类，从每个聚类中选出一个最高优先级的代表性样本组成 $\mathcal{D}_t^{\text{core}}$；再从储备池中按优先级加权无放回抽取 $K$ 个历史样本组成 $\mathcal{D}_t^{\text{reservoir}}$。合并构建的元批次 $\mathcal{D}_t = \mathcal{D}_t^{\text{core}} \cup \mathcal{D}_t^{\text{reservoir}}$ 随机切分为元训练支持集与元测试查询集。理论推导（Proposition 4.2）证明该相关性多样性采样等价于 Frank-Wolfe 条件梯度优化，使经验元梯度方差从随机采样的 $\mathcal{O}(1/\sqrt{N})$ 下降至 $\mathcal{O}(1/N)$，显著加速向全局最优参数收敛。

5. 在线元学习双层参数更新：单步自适应与任务梯度演进

在获取到当前步的真实查询标注 $(x^{(q_t)}, y^{(q_t)})$ 后，模型不进行代价高昂的全量重训练，而是执行高效的在线元梯度更新。首先在相关性元批次 $\mathcal{D}_t$ 上完成一次双层元优化（Inner Loop 采用支持集梯度微调，Outer Loop 在查询集上计算损失并更新元参数 $\theta$），促使网络保持面向流式概念转移的元适应能力；紧接着针对最新单步观测 $(x^{(q_t)}, y^{(q_t)})$ 施加一次直接在线梯度回传。双重更新使得模型在紧凑参数更新步内既沉淀了抗遗忘的多样性表征，又能够即时纠正局部预测偏差。

实验关键数据¶

主实验¶

评估在两项核心任务上开展：真实世界 PFAS 污染热点识别（基于美国 EPA 2019 与 2022 年监测数据，评估空间域内迁移与跨时段时空迁移）以及稀疏化地表覆盖识别（Land Cover, LC，从遥感中识别极低占比的水体目标）。核心指标为成功率（Success Rate, SR，衡量在预算约束下命中真实目标像素的归一化比例）、准确率（Acc）、F-score、精确率（Prec）与召回率（Recall）。对比基线涵盖贪心搜索（GA）、基于 SWAT 水文扩散模拟的领域启发式贪婪基线（DIG）、地理空间大模型（Prithvi）、老虎机上置信界（UCB）、经典主动学习（AL）、主动元学习（AML）以及在线元学习（OML）。

任务 / 年份	方法	Acc. (%)	F-score (%)	Prec. (%)	Recall (%)	SR (%)
LC (稀疏地被水体)	GA	$46 \pm 0.8$	$35 \pm 1.0$	$48 \pm 0.9$	$40 \pm 1.3$	$47 \pm 1.4$
	AL	$58 \pm 1.8$	$41 \pm 1.5$	$50 \pm 1.2$	$47 \pm 1.9$	$60 \pm 1.0$
	Prithvi	$61 \pm 1.2$	$40 \pm 1.4$	$51 \pm 1.5$	$56 \pm 1.7$	$61 \pm 1.8$
	UCB	$55 \pm 2.1$	$45 \pm 1.7$	$53 \pm 1.3$	$58 \pm 1.5$	$55 \pm 1.3$
	AML	$91 \pm 1.3$	$48 \pm 1.3$	$46 \pm 1.6$	$50 \pm 1.8$	$90 \pm 1.1$
	OML	$92 \pm 1.7$	$48 \pm 1.6$	$47 \pm 1.8$	$50 \pm 1.9$	$92 \pm 1.5$
	Ours	$\mathbf{93 \pm 1.4}$	$\mathbf{71 \pm 1.1}$	$\mathbf{70 \pm 1.3}$	$\mathbf{72 \pm 1.2}$	$\mathbf{94 \pm 1.0}$
PFAS 2019 (空间迁移)	DIG	39	40	41	39	71
	GA	$84 \pm 1.5$	$46 \pm 1.3$	$42 \pm 1.4$	$50 \pm 1.7$	$92 \pm 2.0$
	AL	$81 \pm 1.8$	$50 \pm 1.5$	$42 \pm 1.3$	$49 \pm 1.6$	$93 \pm 2.1$
	Prithvi	$86 \pm 1.6$	$47 \pm 1.3$	$43 \pm 1.4$	$50 \pm 1.5$	$94 \pm 1.8$
	UCB	$79 \pm 1.3$	$61 \pm 1.1$	$55 \pm 1.2$	$61 \pm 1.4$	$94 \pm 1.6$
	AML	$86 \pm 2.0$	$46 \pm 1.4$	$43 \pm 1.5$	$50 \pm 1.3$	$95 \pm 2.0$
	OML	$83 \pm 1.7$	$54 \pm 1.2$	$50 \pm 1.4$	$60 \pm 1.5$	$94 \pm 1.9$
	Ours	$\mathbf{88 \pm 2.0}$	$\mathbf{65 \pm 2.0}$	$\mathbf{57 \pm 2.0}$	$\mathbf{83 \pm 2.0}$	$\mathbf{98 \pm 1.0}$
PFAS 2022 (时空迁移)	DIG	37	39	40	38	70
	GA	$72 \pm 1.6$	$46 \pm 1.3$	$43 \pm 1.5$	$50 \pm 1.4$	$77 \pm 2.2$
	AL	$72 \pm 1.3$	$44 \pm 1.2$	$39 \pm 1.0$	$50 \pm 1.5$	$76 \pm 1.7$
	Prithvi	$71 \pm 1.7$	$52 \pm 1.4$	$53 \pm 1.3$	$54 \pm 1.1$	$78 \pm 1.8$
	UCB	$75 \pm 1.5$	$52 \pm 1.2$	$53 \pm 1.1$	$57 \pm 1.3$	$81 \pm 1.9$
	AML	$68 \pm 2.0$	$46 \pm 1.5$	$45 \pm 1.7$	$48 \pm 1.4$	$80 \pm 2.1$
	OML	$75 \pm 1.7$	$51 \pm 1.2$	$52 \pm 1.4$	$51 \pm 1.5$	$84 \pm 1.9$
	Ours	$\mathbf{75 \pm 0.9}$	$\mathbf{54 \pm 1.0}$	$\mathbf{56 \pm 1.2}$	$\mathbf{53 \pm 1.1}$	$\mathbf{86 \pm 0.8}$

消融实验¶

在 2019 年 PFAS 空间泛化基准上对核心模块进行消融对比（查询预算 $\mathcal{C}=50$）：

变体配置	Acc. (%)	F-score (%)	Prec. (%)	Recall (%)	SR (%)	说明
无相关性编码器 (No-RE)	$86 \pm 1.8$	$56 \pm 1.7$	$50 \pm 1.5$	$74 \pm 1.8$	$95 \pm 2.0$	移除 CVAE 相关性建模，直接由概念预测
随机元训练批次 (Random Meta-Batch)	$67 \pm 2.0$	$56 \pm 2.1$	$57 \pm 1.6$	$46 \pm 1.7$	$69 \pm 1.4$	去除 GIA 语义聚类，在核心池中随机抽样
无相关性引导采样 (No-RG)	$72 \pm 1.9$	$55 \pm 1.7$	$55 \pm 2.0$	$50 \pm 1.7$	$77 \pm 1.5$	仅依赖解码器预测输出，去掉相关性距离 $w_x$
简化 MLP 替代 CVAE (RG $\rightarrow$ MLP)	$85 \pm 1.7$	$56 \pm 1.8$	-	-	$94 \pm 2.3$	附录分析：使用 MLP 确定性注意力替代变分分布
移除概念正交化 (No Orthogonalization)	$80 \pm 1.0$	$56 \pm 1.5$	-	-	$86 \pm 0.7$	附录分析：直接使用原始 ViT 特征 $\tilde{c}(x)$
DBSCAN 聚类替代 GIA	$81 \pm 2.2$	$57 \pm 1.6$	-	-	$94 \pm 1.1$	附录分析：采用标准密度聚类构建元批次
完整框架 (Ours Full)	$\mathbf{88 \pm 2.0}$	$\mathbf{65 \pm 2.0}$	$\mathbf{57 \pm 2.0}$	$\mathbf{83 \pm 2.0}$	$\mathbf{98 \pm 1.0}$	全套机制协同运行

关键发现¶

元批次构建是性能稳定的基石：消融实验中，将基于 GIA 的语义聚类元批次退化为随机批次（Random Meta-Training Set），成功率（SR）发生断崖式下跌（$98\% \rightarrow 69\%$），准确率由 $88\%$ 跌至 $67\%$。这证实了在非平稳数据流下，如果无法按语义相关性维持高覆盖度代表性子集，元梯度更新将受到高方差严重干扰。
CVAE 概率建模显著优于确定性注意力：相较于使用确定性 MLP 评估相关性（F-score 仅 $56\%$，SR $94\%$），CVAE 能够刻画不确定性标准差 $\sigma_\zeta$，在数据极端稀疏场景下有效抑制过拟合，F-score 提升达 9 个百分点（达到 $65\%$）。
正交化杜绝概念重叠干扰：移除 Gram-Schmidt 正交化使得 SR 从 $98\%$ 降至 $86\%$，F-score 降至 $56\%$，表明物理概念解耦对于相关性距离度量 $w_x$ 的鲁棒性至关重要。
采样行为的时序演化自洽：随探索步数增加，相关性向量的特征方差持续下降，t-SNE 可视化呈现从早期的致密交织逐步过渡为目标/非目标清晰解离的双簇分布，证明策略自发完成了由广域信息探索向高风险热点收敛的健康迁移。

亮点与洞察¶

将领域概念相关性作为决策中枢：论文巧妙地将物理驱动因子转化为高维隐变量分布，不仅用于前向分割预测，更作为统一变量同时支配“主动采样打分”与“元学习经验回放构建”，实现了表征学习与决策控制的深度内生统一。
规避大规模图计算的隐式水文建模：在无法预知全局河网连通图的开环流式场景下，并未机械采用计算沉重的图神经网络，而是通过融合水流方向栅格、累积流量与源点距离变换，使模型隐式习得上下游连通规律，兼顾轻量级计算（单次推理仅需 4GB 显存）与物理自洽性。
直击真实世界高价值痛点：直面致癌物质 PFAS 极度稀疏、单点化验成本极高的重大现实民生问题，在 EPA 真实数据集上验证了跨越年度的分布漂移泛化性，为环境治理和实地采样布点提供了高可用决策支撑。

局限与展望¶

依赖预定义领域驱动因素：方法假设能够预先获取有意义的物理辅助栅格通道（如土地利用、水文流向图），在完全缺乏先验特征的非结构化未知异常搜索场景下适用性受限。
点弱监督伪标签扩张的潜在噪声：为弥补稀疏点标签，训练阶段将地表水像素统一赋予中心点标签，虽然设置了掩码过滤非水体区域，但在复杂水力水质混合边界仍可能引入标签噪声。
高维聚类计算开销：贪心相交超立方算法复杂度随维度呈指数级扩张，当前必须依赖 PCA 将隐变量截断至 7 维方可实时运行，未来可探索可微分且与拓扑保真更佳的流形子空间聚类机制。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次提出 OWL-GPS 形式化问题，并以 CVAE 概念相关性隐空间统一驱动主动采样与在线元批次构建，数学推导与理论方差界证明严密完整。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖真实 EPA PFAS 空间域内与跨年度时空泛化，辅助 Land Cover 泛化基准，设计了 7 组系统消融与详细超参敏感度剖析。
写作质量: ⭐⭐⭐⭐⭐ 问题表述清晰，动机阐述切中实际痛点，方法推导逻辑连贯，图表规整详实。
价值: ⭐⭐⭐⭐⭐ 紧密结合环境科学与公共卫生重大现实需求，提出了一套兼具高样本效率、可解释性与轻量化部署的智能采样范式。

任务 / 年份	方法	Acc. (%)	F-score (%)	Prec. (%)	Recall (%)	SR (%)
LC (稀疏地被水体)	GA	\(46 \pm 0.8\)	\(35 \pm 1.0\)	\(48 \pm 0.9\)	\(40 \pm 1.3\)	\(47 \pm 1.4\)
	AL	\(58 \pm 1.8\)	\(41 \pm 1.5\)	\(50 \pm 1.2\)	\(47 \pm 1.9\)	\(60 \pm 1.0\)
	Prithvi	\(61 \pm 1.2\)	\(40 \pm 1.4\)	\(51 \pm 1.5\)	\(56 \pm 1.7\)	\(61 \pm 1.8\)
	UCB	\(55 \pm 2.1\)	\(45 \pm 1.7\)	\(53 \pm 1.3\)	\(58 \pm 1.5\)	\(55 \pm 1.3\)
	AML	\(91 \pm 1.3\)	\(48 \pm 1.3\)	\(46 \pm 1.6\)	\(50 \pm 1.8\)	\(90 \pm 1.1\)
	OML	\(92 \pm 1.7\)	\(48 \pm 1.6\)	\(47 \pm 1.8\)	\(50 \pm 1.9\)	\(92 \pm 1.5\)
	Ours	\(\mathbf{93 \pm 1.4}\)	\(\mathbf{71 \pm 1.1}\)	\(\mathbf{70 \pm 1.3}\)	\(\mathbf{72 \pm 1.2}\)	\(\mathbf{94 \pm 1.0}\)
PFAS 2019 (空间迁移)	DIG	39	40	41	39	71
	GA	\(84 \pm 1.5\)	\(46 \pm 1.3\)	\(42 \pm 1.4\)	\(50 \pm 1.7\)	\(92 \pm 2.0\)
	AL	\(81 \pm 1.8\)	\(50 \pm 1.5\)	\(42 \pm 1.3\)	\(49 \pm 1.6\)	\(93 \pm 2.1\)
	Prithvi	\(86 \pm 1.6\)	\(47 \pm 1.3\)	\(43 \pm 1.4\)	\(50 \pm 1.5\)	\(94 \pm 1.8\)
	UCB	\(79 \pm 1.3\)	\(61 \pm 1.1\)	\(55 \pm 1.2\)	\(61 \pm 1.4\)	\(94 \pm 1.6\)
	AML	\(86 \pm 2.0\)	\(46 \pm 1.4\)	\(43 \pm 1.5\)	\(50 \pm 1.3\)	\(95 \pm 2.0\)
	OML	\(83 \pm 1.7\)	\(54 \pm 1.2\)	\(50 \pm 1.4\)	\(60 \pm 1.5\)	\(94 \pm 1.9\)
	Ours	\(\mathbf{88 \pm 2.0}\)	\(\mathbf{65 \pm 2.0}\)	\(\mathbf{57 \pm 2.0}\)	\(\mathbf{83 \pm 2.0}\)	\(\mathbf{98 \pm 1.0}\)
PFAS 2022 (时空迁移)	DIG	37	39	40	38	70
	GA	\(72 \pm 1.6\)	\(46 \pm 1.3\)	\(43 \pm 1.5\)	\(50 \pm 1.4\)	\(77 \pm 2.2\)
	AL	\(72 \pm 1.3\)	\(44 \pm 1.2\)	\(39 \pm 1.0\)	\(50 \pm 1.5\)	\(76 \pm 1.7\)
	Prithvi	\(71 \pm 1.7\)	\(52 \pm 1.4\)	\(53 \pm 1.3\)	\(54 \pm 1.1\)	\(78 \pm 1.8\)
	UCB	\(75 \pm 1.5\)	\(52 \pm 1.2\)	\(53 \pm 1.1\)	\(57 \pm 1.3\)	\(81 \pm 1.9\)
	AML	\(68 \pm 2.0\)	\(46 \pm 1.5\)	\(45 \pm 1.7\)	\(48 \pm 1.4\)	\(80 \pm 2.1\)
	OML	\(75 \pm 1.7\)	\(51 \pm 1.2\)	\(52 \pm 1.4\)	\(51 \pm 1.5\)	\(84 \pm 1.9\)
	Ours	\(\mathbf{75 \pm 0.9}\)	\(\mathbf{54 \pm 1.0}\)	\(\mathbf{56 \pm 1.2}\)	\(\mathbf{53 \pm 1.1}\)	\(\mathbf{86 \pm 0.8}\)

变体配置	Acc. (%)	F-score (%)	Prec. (%)	Recall (%)	SR (%)	说明
无相关性编码器 (No-RE)	\(86 \pm 1.8\)	\(56 \pm 1.7\)	\(50 \pm 1.5\)	\(74 \pm 1.8\)	\(95 \pm 2.0\)	移除 CVAE 相关性建模，直接由概念预测
随机元训练批次 (Random Meta-Batch)	\(67 \pm 2.0\)	\(56 \pm 2.1\)	\(57 \pm 1.6\)	\(46 \pm 1.7\)	\(69 \pm 1.4\)	去除 GIA 语义聚类，在核心池中随机抽样
无相关性引导采样 (No-RG)	\(72 \pm 1.9\)	\(55 \pm 1.7\)	\(55 \pm 2.0\)	\(50 \pm 1.7\)	\(77 \pm 1.5\)	仅依赖解码器预测输出，去掉相关性距离 \(w_x\)
简化 MLP 替代 CVAE (RG \(\rightarrow\) MLP)	\(85 \pm 1.7\)	\(56 \pm 1.8\)	-	-	\(94 \pm 2.3\)	附录分析：使用 MLP 确定性注意力替代变分分布
移除概念正交化 (No Orthogonalization)	\(80 \pm 1.0\)	\(56 \pm 1.5\)	-	-	\(86 \pm 0.7\)	附录分析：直接使用原始 ViT 特征 \(\tilde{c}(x)\)
DBSCAN 聚类替代 GIA	\(81 \pm 2.2\)	\(57 \pm 1.6\)	-	-	\(94 \pm 1.1\)	附录分析：采用标准密度聚类构建元批次
完整框架 (Ours Full)	\(\mathbf{88 \pm 2.0}\)	\(\mathbf{65 \pm 2.0}\)	\(\mathbf{57 \pm 2.0}\)	\(\mathbf{83 \pm 2.0}\)	\(\mathbf{98 \pm 1.0}\)	全套机制协同运行