GFMS
PulseAugur coverage of GFMS — every cluster mentioning GFMS across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架探测地理基础模型对物理特征的敏感性
一个名为 Physics-Informed Concept Probing (PiCo) 的新框架已被开发出来，以更好地理解地理基础模型 (GFMs) 的内部工作原理。与仅关注预测性能的传统方法不同，PiCo 旨在揭示这些模型对哪些物理特征敏感。通过生成合成卫星观测数据并分析模型嵌入空间中的概念向量，PiCo 允许进行假设检验和为各种任务进行更明智的模型选择。
-
新的LLM方法实现具有类代理节点的动态图推理
研究人员提出了两种新方法，以增强大型语言模型（LLM）处理图数据的推理能力。第一种是“类代理图令牌推理”，它允许LLM在推理过程中动态选择和编码不同粒度的图视图，从而在各种图领域中提高性能。第二种是“AgentGFM”，它将图中的每个节点视为能够控制其信息流的自主代理，从而实现拓扑模式的自适应传播，并在各种图场景中显示出有效性。
-
新框架揭示关系学习模型中依赖于几何的性能
研究人员引入了一个新的关系学习模型评估框架，超越了对不同数据集平均性能的标准化排行榜。这种新方法根据数据集的几何特性对其进行分层，揭示了模型性能在很大程度上取决于这些内在几何特性。该研究评估了包括 GCN 和 GFM 在内的 18 个模型，跨越 14 个数据集，发现排名在不同的曲率范围内显著变化，这表明一些先进模型在特定的几何环境中可能收益递减。
-
新的EarthShift基准显示GFM在现实世界分布变化方面表现不佳
引入了一个名为EarthShift的新基准，用于评估地理空间基础模型（GFM）在现实世界分布变化方面的鲁棒性。使用EarthShift对八个GFM和十一个任务进行的实验显示，这些模型在遇到分布外场景时，性能会持续下降15-20%，表现与通用视觉模型相似。研究人员强调，未来的研究需要关注提高分布鲁棒性，而不仅仅是性能，并已发布EarthShift的代码和数据集以促进这一目标。