Reliable disruption prediction across tokamaks is needed for next generation devices such as ITER, SPARC, and BEST, where disruptive target-machine data will be scarce by design. For a transferred predictor, target performance is limited by both the source-domain error and the mismatch between the source and target feature distributions. We use this distinction to revisit our previous J-TEXT to EAST study and to add three components for few-shot and zero-shot operation. An upgraded physics-guided feature extraction (PGFE-U) reduces geometry-dependent differences in Mirnov, soft x-ray and absolute extreme ultraviolet array features. A floating labelling strategy replaces a fixed pre-disruption window with shot-dependent precursor onset labels. An estimation of the feature distribution (EFD) supplies target-machine z-score statistics from outside the classifier training set. With the supervised CORAL backbone, the area under the receiver operating characteristic curve (AUC) on the same EAST test set reaches 0.957 in a few-shot setting using only 10 disruptive EAST discharges, whereas the previous work required 110 EAST discharges to reach 0.890, and the partial AUC over false positive rates up to 10% (pAUC) rises from 0.428 to 0.858. The zero-shot AUC reaches 0.892 with no EAST discharge used for classifier training, against 0.592 for the same model normalised with J-TEXT statistics, and the zero-shot pAUC is 0.619 against 0.084. The EFD statistics are estimated from real EAST shots; a per-feature Monte-Carlo scan shows that the sensitivity is concentrated in a few global discharge parameters, the quantities most reliably estimated at the design stage. Shapley additive explanation based attribution shows that both transferred models preserve most of the qualitative feature-to-disruption trends of the abundant-data baseline. These results indicate that improving feature quality, labels and normalisation statistics can recover a large fraction of abundant-data performance when target-machine shots are limited.
トカマク横断の信頼性の高いディスラプション予測は、ITER、SPARC、BESTなどの次世代装置にとって必要であり、そこでは設計上、ディスラプティブなターゲット機データは乏しい。転移予測器にとって、ターゲット性能はソースドメイン誤差とソース・ターゲット特徴分布間のミスマッチの両方によって制限される。我々はこの区別を用いて、以前のJ-TEXTからEASTへの研究を再検討し、少数ショットおよびゼロショット動作のための3つの構成要素を追加する。アップグレードされた物理誘導特徴抽出（PGFE-U）は、Mirnov、軟X線、絶対極端紫外アレイ特徴における幾何学依存の差異を低減する。フローティングラベリング戦略は、固定されたプレディスラプションウィンドウをショット依存の前駆体開始ラベルに置き換える。特徴分布の推定（EFD）は、分類器トレーニングセット外からターゲット機のzスコア統計を供給する。教師付きCORALバックボーンを用いて、同じEASTテストセット上の受信者動作特性曲線下面積（AUC）は、わずか10回のディスラプティブEAST放電を用いた少数ショット設定で0.957に達する。一方、以前の研究では0.890に達するために110回のEAST放電が必要であり、偽陽性率10%までの部分AUC（pAUC）は0.428から0.858に上昇する。ゼロショットAUCは、分類器トレーニングにEAST放電を使用せずに0.892に達し、J-TEXT統計で正規化された同じモデルの0.592に対して、ゼロショットpAUCは0.084に対して0.619である。EFD統計は実際のEASTショットから推定される。特徴ごとのモンテカルロスキャンは、感度が少数のグローバル放電パラメータ、すなわち設計段階で最も確実に推定される量に集中していることを示す。Shapley加法説明に基づく属性分析は、両方の転移モデルが、豊富なデータベースラインの定性的な特徴とディスラプションの傾向の大部分を保持していることを示す。これらの結果は、特徴品質、ラベル、正規化統計を改善することで、ターゲット機のショットが限られている場合に、豊富なデータ性能の大部分を回復できることを示している。