《Array》：CalStack-SP: Calibration-First Class-Wise Stacking with Selective Prediction for Φ-OTDR DAS event classification
编辑推荐：
提出了一种校准优先的类级堆叠框架（Calibration-First Class-Wise Stacking，CalStack-SP），用于Φ-OTDR分布式声学传感（DAS）事件识别。在融合前，通过分支级温度缩放（branch-wise temperatur
提出了一种校准优先的类级堆叠框架（Calibration-First Class-Wise Stacking，CalStack-SP），用于Φ-OTDR分布式声学传感（DAS）事件识别。在融合前，通过分支级温度缩放（branch-wise temperature scaling）将异构基学习器的置信度对齐至统一尺度；随后，在概率单纯形（probability simplex）上学习类级凸堆叠权重，以捕获事件依赖的分支互补性；最后，引入基于top-2边际（margin）门控的选择性预测机制，对高置信度DAS段直接输出深层分支预测，而对低边际的模糊段则交由校准后的堆叠模型处理。实验结果表明，CalStack-SP在分类精度、置信度校准与推理效率方面均优于对比方法，取得了95.06%的准确率、95.51%的宏平均F1值（Macro-F1）以及0.0081的期望校准误差（ECE(10)），验证了该框架在低信噪比与分布漂移条件下对DAS事件识别可靠性的提升效果。
论文解读：CalStack-SP框架用于Φ-OTDR分布式声学传感事件分类
研究背景与问题
基于相位敏感光时域反射计（Φ-OTDR）的分布式声学传感（DAS）系统将普通通信光纤转化为密集传感阵列，可对管道、铁路走廊及周界安防等关键基础设施进行连续、米级精度的监测。在实际部署中，DAS事件识别不仅是模式识别模块，更是测量处理链的组成部分：瑞利背向散射信号经解调生成振动相关迹线，进而转化为事件后验概率与置信度等决策支持输出，用于触发成本敏感的报警及人工复核。然而，现场数据受低且空间变化的信噪比（SNR）、训练与部署之间的时间失配以及并发或演化事件的影响，导致训练与测试分布差距扩大。这些因素常使模型置信度失真，即便top-1准确率看似可接受，也会产生不可靠的概率估计，从而削弱报警排序、风险管理及全天候监控的干预效率。因此，后验概率不应仅被视为分类器得分，而应作为承载可靠性的测量输出，决定片段是否被接受、延迟复核或视为背景。提升概率校准直接关系到噪声Φ-OTDR测量系统中决策的可靠性。
尽管基于深度学习的DAS分类精度已显著提升，但多数研究仍优先关注top-1准确率或宏平均F1值，对概率校准、异构置信度对齐及漂移易发部署条件下的风险感知决策关注不足。此外，多预测器输出常在无显式概率对齐的情况下融合，可能保留甚至放大异构学习器间的置信度失配。传统分类器对每个片段强制给出预测，在安全关键监控中可能增加误报或不可靠响应。选择性预测提供了一种替代方案，允许根据置信度将不确定片段延迟处理，从而在覆盖率、漏检与误报之间实现可控权衡。
研究内容与结论
研究人员提出校准优先类级堆叠与选择性预测框架（CalStack-SP），将校准作为首要目标，在概率对齐后进行约束融合。该框架包含三个组件：分支级温度缩放用于融合前校准；概率单纯形上的类级堆叠用于融合校准后的预测；一维top-2边际门控将高置信度案例导向DeepResMLP专家分支，而将模糊案例延迟至校准堆叠。此外，结合特征稳定化（z-score归一化、ANOVA-F滤波、稳定性选择、PCA）与DAS感知增强（SNR靶向噪声注入、循环移位、Beta-mixup），以提升低信噪比与漂移易发条件下的鲁棒性。
CalStack-SP的新颖性不在于温度缩放、堆叠或选择性预测的孤立使用，而在于其面向任务的集成设计。与传统先融合后校准或阈值的集成流程不同，CalStack-SP在类特定融合前执行分支级置信度对齐，从而减少过自信但不可靠分支对权重学习的影响。后续单纯形约束的类级堆叠显式捕获事件依赖的分支互补性，边际门控路由机制利用校准后的置信度结构区分简单与模糊传感片段。这一校准优先、类感知、置信度路由的设计形成了面向噪声与漂移易发DAS测量的统一决策框架。
主要关键技术方法
研究人员采用以下关键技术方法：分支级温度缩放（branch-wise temperature scaling）对每个基学习器的logits进行缩放以统一置信度尺度；类级凸堆叠（class-wise convex stacking）在概率单纯形上学习每类的分支权重；top-2边际门控（top-2 margin gate）用于选择性预测；特征稳定化流程包括z-score归一化、ANOVA-F滤波、稳定性选择与主成分分析（PCA）；DAS感知训练增强包括SNR靶向高斯扰动、循环特征坐标移位与Beta-mixup。数据集为公开Φ-OTDR基准数据集，包含9类事件，原始信号采用8192样本窗口与2048样本移位分割，经汉宁窗与过采样离散傅里叶变换（DFT，过采样因子3）后保留2048维单侧幅度谱作为输入特征。
研究结果
实验设置与基准：研究采用公开Φ-OTDR数据集，按官方基准协议构建固定时长、空间分布的DAS片段，包含9类事件。所有基学习器共享相同的2048维初始频谱表示，在折特定特征稳定化前不接收原始时域波形或独立手工时频特征。
判别性能：CalStack-SP在分类准确率与宏平均F1值上优于各基学习器及对比融合方法，取得95.06%准确率与95.51%宏平均F1值，表明校准优先融合与类级堆叠能有效整合异构分支的互补信息。
校准性能：CalStack-SP取得0.0081的期望校准误差（ECE(10)），显著优于未校准基学习器与常规融合方法，验证了分支级温度缩放对置信度对齐的有效性。
路由行为分析：边际门控机制将高置信度片段导向DeepResMLP分支，将模糊片段延迟至校准堆叠，在覆盖率与准确率之间实现可控权衡，风险-覆盖率曲线显示选择性预测可有效降低低置信度预测的错误率。
SNR退化鲁棒性：在信噪比退化条件下，CalStack-SP的性能下降幅度小于各基学习器，表明特征稳定化与DAS感知增强提升了低信噪比场景下的鲁棒性。
跨场景验证：跨场景验证实验显示CalStack-SP在不同部署条件下的性能保持稳定，验证了框架的泛化能力。
轻量模型对比：与轻量模型对比中，CalStack-SP在保持高精度的同时推理效率优于深层模型，表明其适用于资源受限的部署场景。
讨论与结论
讨论部分指出，CalStack-SP将校准作为首要目标，通过分支级温度缩放消除异构学习器间的置信度失配，使后续类级堆叠的权重学习更可靠。单纯形约束的类级堆叠能够捕获事件依赖的分支互补性，而top-2边际门控则利用校准后的置信度结构实现选择性预测，在模糊片段上延迟决策以降低误报风险。实验证明，该框架不仅提升了分类性能，还改善了置信度可靠性、路由行为、SNR退化鲁棒性、跨场景泛化能力及推理效率。
研究结论：CalStack-SP为Φ-OTDR DAS事件识别提供了一种校准优先、类感知、置信度路由的统一决策框架。将后验概率视为承载可靠性的测量输出而非单纯分类器得分，通过校准优先融合与选择性预测，在低信噪比与漂移易发条件下显著提升了事件识别的判别性能与置信度可靠性。未来研究方向包括扩展至更多事件类型、探索更复杂的校准方法及在真实部署环境中的验证。
