Mar, 2023

地理人工智能的哲学基础：探索地理人工智能和空间数据科学中的可持续性、多样性和偏见

PDF
TL;DR本文探讨了 GeoAI 和空间数据科学的哲学基础，重点强调了可持续性、培训数据中的偏见、模式知识的多样性和 GeoAI 系统的中立性（潜在缺乏）等主题，并从统一的伦理学角度出发思考我们专业的伦理影响，帮助我们更负责任地开展潜在的颠覆性研究，识别设计、培训和部署基于 GeoAI 的系统的陷阱，并在学术领域内共同开发人工智能和机器学习研究的优势和潜在风险，同时与他人分享我们独特的（地球）空间视角。
geoaispatial data scienceethical implicationsbiasmachine learning
发现论文，激发创造
  • 建立隐私保护和安全的地理空间人工智能基础模型

    本文介绍了 GeoAI 基础模型的潜在隐私和安全风险，并提出了全面的预防和控制策略，旨在引起地理空间领域的研究人员和决策者对 GeoAI 基础模型固有的隐私和安全风险的重视，并倡导隐私保护和安全的 GeoAI 基础模型的发展。

    Sep, 2023

  • 地理制图中的人工智能研究：方法、应用和伦理的综述与综合

    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

  • 社会科学中的地理人工智能

    GeoAI 是一个令人兴奋的新领域，借助人工智能、地理空间大数据和大规模计算能力来解决高度自动化和智能化的问题。该论文回顾了人工智能在社会科学研究中的进展，强调了使用 GeoAI 填补重要数据和知识空白的重要进展。论文还讨论了打破数据孤岛、加速 GeoAI 研究方法的融合以及将 GeoAI 推广到超越地理空间利益的重要性。

    Dec, 2023

  • ACM SIGSPATIAL 上的地理人工智能研究新领域

    本文重申了 GeoAI 开放研究方向的现状、最新发展和新兴议程，呼吁各领域的社区共同参与跨学科的交流。

    Oct, 2022

  • GeoAI 的可重复性和可复制性：计算和空间视角

    GeoAI 研究偏重于 GIScience 文献，本文从计算和空间角度深入分析了 GeoAI 研究的重复性和可复制性，包括验证、学习和适应方法以解决相似或新问题，以及研究结果的普适性。通过深度学习的图像分析任务实例，强调了训练数据选择和使用、GeoAI 模型设计、训练和部署过程中的不确定性，以及地理空间数据和过程的空间异质性对结果的影响。结果强调了知识共享的重要性，并提出了一个综合考虑空间自相关和空间异质性的 “可复制性图” 用于量化 GeoAI 研究的空间可复制性。

    Apr, 2024

  • 拓展可持续人工智能视角：人工智能系统综合可持续性标准和指标

    本文提出基于 19 项可持续性标准和 67 个指标的 “可持续人工智能 (SCAIS)” 框架，为意识到 AI 系统的开发和应用提供了实用的标准和工具。

    Jun, 2023

  • AI 可持续性实践第一部分：可持续 AI 项目的基础

    该研究论文介绍了可持续 AI 项目的关键概念和工具，重点是评估其潜在社会影响和道德可允许性，以及促进利益相关者的公平和有意义的参与和位置感知。

    Feb, 2024

  • 人工智能与人文地理学

    人文地理学中人工智能的最新进展和应用主要集中在机器（深度）学习方面，包括地点表示与建模，空间分析与预测性映射，城市规划与设计。这一交叉学科合作将有助于推动 GeoAI 的发展，为所有人创造一个更好和可持续发展的世界。

    Dec, 2023

  • 地球科学和基础模型的结合：通向通用地球科学人工智能系统

    地球科学基础模型通过整合大量跨学科数据模拟和理解地球系统动态，以数据为中心的人工智能范例从结构化和非结构化数据中发现见解，灵活的任务规格、多样的输入和输出以及多模态的知识表示使得全面分析成为可能，但在验证和验证、规模、可解释性、知识表示和社会偏见等方面仍存在挑战，提高模型一体化、分辨率、准确性和公平性的跨学科团队合作是关键，尽管当前存在限制，地球科学基础模型通过探索场景和量化不确定性向气候变化、自然灾害和可持续性等紧迫问题提供了关键见解，其不断向集成化的数据驱动建模演化具有改变范式的潜力。

    Sep, 2023

  • 基础模型在地理空间人工智能中的机遇与挑战

    通过在多个地理空间子领域进行测试，发现在某些文本模态的地理任务中，基于任务不可知的大型语言模型可以在零样本或少样本学习设置中胜过基于任务特定的全监督模型，但是在其他涉及多种数据模态的地理任务上，现有的基础模型仍然不如基于任务特定的模型表现。因此，通过处理不同的地理数据模态，建议可能性使用能够通过地理对齐来推理各种类型的地理数据的多模态基础模型来应对地理人工智能挑战的多模态特征。

    Apr, 2023