地理人工智能位置编码方法与应用综述
通过使用预训练语言模型和训练空间编码器,本研究提出了一种稠密检索体系结构来回答真实世界旅游问题,其中问题和兴趣点的相关性是通过嵌入空间相似性来确定的。实验结果表明,该方法在真实世界旅游问答数据集上表现出色,并且在所有指标上优于之前的方法。
Jan, 2024
Spatial representation learning (SRL) is addressed with the proposed TorchSpatial framework, which includes a unified location encoding framework, benchmark tasks, and evaluation metrics, aiming to support SRL model development, reproducibility, and spatial fairness in GeoAI research.
Jun, 2024
通过预先训练基于位置的嵌入来提高位置服务的性能,并利用 Geo-Tokenizer 减少训练的位置数量,在考虑位置的时间依赖性的同时,有效地训练分解的位置,从而提供更少的模型参数并改善下游任务的性能。
Oct, 2023
提出了一个名为 Space2Vec 的表示学习模型,用于将地点的绝对位置和空间关系进行编码,并在地理数据和图像分类两个任务上得到了比径向基函数和多层前馈神经网络等传统机器学习方法更好的效果,其特点是具有多尺度表示能力。
Feb, 2020
Geospatial Location Embedding (GLE) 在大型语言模型(LLM)中帮助模型吸收和分析空间数据。GLE 的出现是由于在当代复杂空间中对更深层次的地理空间意识的需求以及 LLMs 在生成式人工智能方面提取深层含义的成功。GLE 为对空间的理解提供了帮助,但强调了在空间模态和推理方面进一步的提升的需求。GLE 标志着 “空间” 和 “LLM” 之间对话式对接,为建立将空间知识嵌入模型结构的 Spatial Foundation/Language Model(SLM)框架提供了契机。该框架推动了 Spatial Artificial Intelligence Systems(SPAIS)的发展,建立了一个与物理空间相映射的空间向量空间(SVS)。由此得到的具有空间特征的语言模型是独特的,同时代表了实际空间和基于人工智能的空间,为 SPAIS 的地理存储、分析和多模态提供了基础。
Jan, 2024
本研究提出了一种称为 SE-KGE 的位置感知知识图嵌入模型,该模型通过将地理实体的点坐标或边界框直接编码到 KG 嵌入空间中来处理空间信息,并在 DBGeo 数据集上对其进行了评估。结果表明,此模型在地理逻辑查询回答任务上优于多个基线,并引入了一种称为空间语义提升的新型下游任务,该任务通过某些关系将研究区域中的任意位置链接到 KG 中的实体。
Apr, 2020
该研究使用流形学习方法 UMAP 和自编码器 (AE) 分析编码大鼠实验迷宫中欧几里德或基于图的位置的海马体细胞群的神经活动,结果表明 AE 反映了真实的几何结构,支持使用 AE 架构解密大脑中的空间编码几何结构。
Nov, 2022
地理空间特征表示对于集成地理定位数据的任何机器学习模型都是至关重要的,本研究提出了一种新的全球分布地理数据的位置编码器,结合球面调和基函数和正弦网络表示网络 (SirenNets),以学习双傅立叶球嵌入。
Oct, 2023
本文综述了在图表示学习领域中,基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法,包括基于矩阵分解、随机游走、图神经网络等方法,并开发了一个统一框架描述这些最新的方法,并为未来的工作提出了一些重要应用和方向。
Sep, 2017
地理人工智能(GeoAI)在测绘学中的应用与研究展现了巨大潜力,同时也引发了伦理问题的关注,本文通过对 GeoAI 和测绘学整合的研究进行综述和分析,总结了关于 GeoAI 在测绘设计中的应用方法以及相关的伦理挑战,并提出了未来的研究方向。
Dec, 2023