两篇新研究论文探讨了机器学习中使用的位置编码器的可解释性和空间效应捕获能力。第一篇论文分析了地理隐式神经表示，使用稀疏自编码器和CLIP Surgery等技术，将位置嵌入分解为人类可解释的特征，如稀疏潜在概念、自然语言概念和视觉特征。第二篇论文使用一种名为GeoShapley的博弈论解释器，对TorchSpatial框架中的十一个编码器进行了基准测试，以评估它们在不同尺度上从模型中恢复空间变化系数的能力。两项研究都旨在提供更好的工具来理解这些编码器隐式捕获了哪些地理和语义信息。 AI
影响 这些研究提供了更好的方法来理解和审计AI模型捕获的地理空间信息，有可能提高它们在位置感知应用中的可靠性和可解释性。
排序理由 两篇发表在arXiv上的学术论文，讨论了机器学习中位置编码器的可解释性和空间效应捕获。
- arXiv
- GeoShapley
- Hugging Face
- TorchSpatial
- CLIP Surgery
- Geographic implicit neural representations
- Implicit Neural Representations
- Location Encoders
- Sparse Autoencoders
- SpLiCE
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
