Apprendimento per Trasferimento Dual-Encoder Sensibile allo Shift Migliora la Previsione di PM2.5 in Contesti con Dati Limitati

Un recente preprint arXiv (2608.14456) presenta un framework di apprendimento per trasferimento dual-encoder sensibile allo shift, volto a prevedere i livelli di PM2.5 su orizzonti temporali brevi in scenari con dati limitati nel dominio target e proprietà statistiche differenti tra dominio sorgente e target. Questa ricerca affronta il problema in cui i modelli che si basano esclusivamente su dati locali faticano a gestire dinamiche temporali complesse, mentre un apprendimento per trasferimento di base può portare a effetti di trasferimento negativi. Il framework innovativo integra la conoscenza del dominio sorgente con l'apprendimento adattato al target. L'encoder sorgente è stato addestrato utilizzando dati orari provenienti da 10 siti di monitoraggio negli Stati Uniti. Successivamente, è stato testato con due anni di dati orari provenienti da 77 stazioni taiwanesi, seguendo un approccio cronologico di addestramento, validazione e test. Tra quattro baseline principali, il modello dual-encoder con sorgente congelata ha mostrato prestazioni superiori, raggiungendo MSE = 21.8960, MAE = 3.1597 e R^2 = 0.8725, dimostrando l'efficacia del metodo in contesti con scarsità di dati. Questa ricerca fa avanzare la previsione della qualità dell'aria fornendo una solida strategia di apprendimento per trasferimento in presenza di shift di dominio.