即时适应：基于潜在概念的相关性引导在线元学习用于地理空间发现

在许多现实场景中，如环境监测、灾害响应或公共卫生，由于数据收集成本高且环境动态变化，战略性地从未观测区域采样对于在资源受限条件下高效发现隐藏目标至关重要。然而，稀疏且有偏的地理空间真实标签限制了现有基于学习的方法（如强化学习）的应用。为解决这一问题，本文提出了一种统一的地理空间发现框架，整合了主动学习、在线元学习和概念引导推理。该方法基于“概念相关性”这一核心思想，引入了两个关键创新：一种基于领域特定概念（如土地覆盖、源接近度）的“概念加权不确定性采样策略”，以及一种促进在线元更新过程中语义多样性的“相关性感知元批次形成策略”。实验部分使用了真实世界的数据集，测试了该方法在有限数据和动态环境下发现目标的可靠性。