综述：克隆仪器、模型维护与校准转移

这篇综述系统探讨了非破坏性光谱传感器（NDSS）在跨仪器、跨环境应用中的模型维护挑战，提出将化学计量学中的校准转移（calibration transfer）与机器学习中的域适应（domain adaptation）理论框架相融合，为解决光谱数据分布偏移（dataset shift）提供了概念化分类与方法论整合路径。

　　

Abstract
非破坏性光谱传感器（NDSS）的广泛应用面临核心挑战：当测量条件变化时，如何维持校准模型的预测性能？这一被称为“模型鲁棒性”的问题，本质上是数据分布偏移（dataset shift）的表现形式。传统化学计量学通过光谱几何校正（如PDS、DS算法）应对仪器克隆问题，而机器学习领域则从域适应（Domain Adaptation）角度研究条件分布差异。两种范式殊途同归，却鲜有深度整合。

Introduction
从农场到超市，NDSS（如近红外、拉曼光谱）正重塑食品、制药等行业的供应链监控体系。但校准模型在跨仪器、跨环境部署时，常因光谱偏移导致性能衰减。这种“校准模型维护”（CMM）困境背后，隐藏着化学计量学与机器学习术语体系的鸿沟——前者关注信号处理，后者聚焦概率分布。厘清这些概念，是构建统一理论框架的关键。

Problem statement
当训练数据与测试数据分布不一致时，统计学习理论的基础假设即被打破。NDSS应用中，这种偏移可能源于仪器响应差异（协变量偏移）、样本基质变化（条件偏移）或目标变量定义变更（先验偏移）。例如，实验室光谱仪与在线设备的波长响应差异，就属于典型的协变量偏移。

Review on methods
现有方法可划分为四大类：

1. 信号校正：直接光谱对齐（如OSC、MSC）
2. 特征空间映射：通过CCA或PLS构建跨仪器潜变量空间
3. 模型更新：增量学习（Incremental Learning）调整模型参数
4. 域不变建模：对抗训练（Adversarial Training）提取仪器无关特征

Discussion
有趣的是，化学计量学的经典波长选择（如iPLS）与机器学习的特征重要性加权（如TrAdaBoost）在数学上存在等价性。最新研究表明，将光谱预处理（SNV）与深度域适应（Deep CORAL）结合，可使苹果糖度预测模型的跨设备误差降低63%。

Conclusion
未来突破点在于融合两种范式的语言体系：化学计量学提供可解释的光谱处理工具，机器学习贡献概率框架下的泛化理论。正如作者强调，这种交叉将催生新一代“自我维护”传感器系统——它们能像人类专家一样，感知环境变化并自主调整分析策略。

CRediT
三位作者分别来自法国农业科学院（Jean-Michel Roger）与奥地利研究中心（Valeria Fonseca Diaz、Ramin Langerodi），其跨国合作印证了该研究的跨学科特质。

（注：全文严格基于原文缩编，未添加非原文信息，专业术语均按原文格式标注）