Moran I
PulseAugur coverage of Moran I — every cluster mentioning Moran I across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现：尽管可复现性高，大型语言模型测量仍缺乏构造效度
一篇新发表在arXiv上的研究论文探讨了大型语言模型（LLM）测量中的可复现性与构造效度之间的区别。该研究使用了欧盟委员会人工智能法案咨询的数据，发现尽管对文本提交内容的LLM标注具有高度可复现性，但它们与调查报告的相同构造测量结果并不一致。这种差异因利益相关者群体而异，商业协会在其书面提交材料中比调查回应更能体现对AI风险的担忧。该研究强调了在LLM测量中，除了单纯的可复现性之外，考虑构造效度和沟通情境进行验证的重要性。
-
新的图注意力模型改进了灾害损失分类
研究人员开发了一种新颖的图注意力模型，通过整合空间上下文来改进建筑物损失分类，这在灾害场景中尤其有用。该模型名为 Kernel-Regularized Graph Attention，它根据灾害类型调整其空间推理，这与之前使用单一全局平滑规则的方法不同。这种方法在保持局部证据的同时，有选择性地整合相关邻居，从而在未见过事件和数据集上取得了更好的性能。
-
新的扩散距离指标超越局部模式测量空间聚类
研究人员引入了一种名为扩散距离的新指标来测量空间聚类。该指标通过考虑全局图几何结构而非仅仅局部模式，扩展了像Moran's I这样的传统空间自相关度量。扩散距离源于图约束马尔可夫链下概率分布收敛率，具体使用了Metropolis-Hastings算法。所提出的方法为空间聚类提供了理论界限和统计检验，在合成数据上显示出比Moran's I更高的功效，并揭示了美国城市中城市隔离模式的细微差别。
-
新框架为地理临界点提供本地化早期预警
研究人员开发了一个名为时空因果网络诊断（ST-CND）的新框架，以改进地理临界点早期预警系统。该方法将地理数据表示为有向因果网络，超越了在空间稀释和相关噪声等问题上存在困难的传统空间指标。ST-CND通过分析信息流、局部恢复率和外部耦合来识别脆弱的子网络，并在合成数据和观测海面温度基准上显示出有希望的结果。