arXiv 2026年10月7日该工作把ALMA带通校准异常识别建模为监督分类任务，用XGBoost在基于Nadarya-Watson核回归扫描统计量的特征与专家特征上学习非线性决策边界，在Cycle 9的42,286个极化对样本上以执行块级嵌套交叉验证评估，相比现行ALMA管线子带启发式在19,567个FDM极化对样本上把漏检率与误报率同时降低，并在约大一个数量级的Cycle 11数据上给出与新波段Band 1一致的泛化表现。该工作把ALMA带通校准异常识别建模为监督分类任务，用XGBoost在基于Nadarya-Watson核回归扫描统计量的特征与专家特征上学习非线性决策边界，在Cycle 9的42,286个极化对样本上以执行块级嵌套交叉验证评估，相比现行ALMA管线子带启发式在19,567个FDM极化对样本上把漏检率与误报率同时降低，并在约大一个数量级的Cycle 11数据上给出与新波段Band 1一致的泛化表现。XGBoost分类器在ALMA带通校准异常检测中把漏检率与误报率同时降低该工作把ALMA带通校准异常识别建模为监督分类任务，用XGBoost在基于Nadarya-Watson核回归扫描统计量的特征与专家特征上学习非线性决策边界，在Cycle 9的42,286个极化对样本上以执行块级嵌套交叉验证评估，相比现行ALMA管线子带启发式在19,567个FDM极化对样本上把漏检率与误报率同时降低，并在约大一个数量级的Cycle 11数据上给出与新波段Band 1一致的泛化表现。该工作把ALMA带通校准异常识别建模为监督分类任务，用XGBoost在基于Nadarya-Watson核回归扫描统计量的特征与专家特征上学习非线性决策边界，在Cycle 9的42,286个极化对样本上以执行块级嵌套交叉验证评估，相比现行ALMA管线子带启发式在19,567个FDM极化对样本上把漏检率与误报率同时降低，并在约大一个数量级的Cycle 11数据上给出与新波段Band 1一致的泛化表现。