PulseAugur
中
实时 00:46:30
English(EN) MIND the Gap: A Geographic Implicit Neural Representation with Adjustable Spatial Scale

新的地理INR方法MIND解决了稀疏数据泛化问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的地理隐式神经表示方法MIND（Matryoshka Implicit Neural Distillation），旨在处理稀疏数据并实现跨不同空间尺度的泛化。与先前通常使用随机数据划分进行评估的方法不同，MIND侧重于区域留出（regional holdouts）以更好地评估跨越地理鸿沟的性能。该系统允许在训练后调整空间粒度，使下游模型能够根据需要利用广泛的空间模式或更局部的变化。在新的CoordBench数据集上的评估表明，MIND在回归和分类任务中表现出色，尤其是在区域留出条件下，突显了在地理数据建模中考虑空间分离的重要性。 AI

影响 这项研究可以提高地理数据有限区域的测绘和预测准确性。

排序理由 这是一篇详细介绍新方法和数据集的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的地理INR方法MIND解决了稀疏数据泛化问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Isaac Corley, Arjun Rao, Esther Rolf, Konstantin Klemmer, Evan Shelhamer, Nils Lehmann, Marc Ru{\ss}wurm, Gengchen Mai, Nathan Jacobs, Hannah Kerner ·

    MIND the Gap：一种具有可调空间尺度的地理隐式神经表示

    arXiv:2609.25454v2 Announce Type: replace-cross Abstract: Geographic measurements are often sparse, leaving large areas without labels for the quantities we want to map. Geographic implicit neural representations (INRs) provide coordinate-based embeddings that can be combined wit…

相关话题