偏重降水事件的数据流程误导生成式降水临近预报的训练与评估

基于摘要分析。本文研究生成式降水临近预报中，过度抽取降水事件的数据流程如何同时影响训练与评估。作者通过解析分析指出，依据预测目标观测进行采样，不仅使评估偏向被选中的分布，也会改变生成模型学习到的条件分布；当训练与测试采用相同采样方式时，评估偏差可能掩盖训练偏差。 核心机制是目标依赖采样：为突出罕见极端降水而构建的偏湿数据集，并不代表实际部署分布。作者指出，即使模型理想地学到了采样后的条件分布，也可能只是符合偏置测试集，而非部署需求。该问题涉及数据选择机制，不宜简单归因于模型容量或生成质量。 作者报告，在保持同一卫星到雷达的 diffusion model 不变时，仅改变测试采样方式即可反转校准判断：模型在偏湿测试集上表现为预测偏低，在代表部署分布的测试集上则表现为预测偏高。作者还报告，这一现象在模型训练域之外、相隔七年的条件下得到复现，并以 classifier-free guidance 为例说明，矛盾的校准判断可能误导后续模型开发。具体数据集、校准指标、采样比例、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG/BCI 生成任务也按目标事件或信号幅度过采样，类似的分布偏移可能影响其训练与校准评估，但本文未提供相关证据。可复用的是对采样机制与部署分布的审计思路，而非降水模型本身；应用时需重新定义目标事件，并控制被试、会话及通道差异。一个可检验的小实验是固定同一 EEG 生成模型与被试划分，分别在目标事件富集和自然事件比例测试集上评估同一校准指标，观察判断是否改变；低信噪比、小样本及跨被试差异可能使估计不稳定。已有 EEG 相关工作尚未检索确认。