Urban region representation learning <i>via</i> dual spatial contrasts
Notice bibliographique
Résumé
Region representation learning emerges as a new research paradigm to encode urban systems and facilitate geographic mapping. Recent studies have sought to reasonably introduce inductive biases, which refer to prior assumptions that guide model learning, from a geospatial perspective to improve the quality of region representations. However, there remain challenges in incorporating the spatial effects, e.g. spatial dependency and spatial heterogeneity, into inductive biases, as they are critical to the geographic awareness of region representations. In response, we developed a novel region representation learning framework, termed Region Graph Spatial Contrastive Learning (RGSCL), by leveraging building footprints and points of interest (POIs) along with prior spatial knowledge to derive region representations. Specifically, RGSCL first constructed multi-view region graphs with POIs, building footprints and their spatial proximity, to form a base representation space. Next, the algorithm adopted a contrastive learning mechanism with spatial effects to formulate a dual-spatial-contrast loss function to optimise the representation space. The dual-spatial-contrasts captured POI-building spatial dependency and the region’s spatial heterogeneity to compose semantics in region representations. Experimental results demonstrated that RGSCL improved performance in geographic mapping. This study offers new insights into GeoAI from the perspective of inductive biases with respect to spatial effects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».