建立隐私保护和安全的地理空间人工智能基础模型
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
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
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。
Mar, 2023
基于基础模型对计算机视觉、地球观测和地理空间人工智能领域的问题进行联合解决,其对于有限的标记数据表现出更好的性能,并且在下游任务中具有标签高效的特点。
Jun, 2024
通过开放地理空间数据和自我监督学习,CityFM 构建了一个多模态的预训练基础模型,用于处理地理空间数据和回答城市相关问题,并在道路、建筑和区域级别的任务上获得了优秀的性能。
Oct, 2023
通过生成人工智能在地球科学领域的潜在应用,我们探讨了机器学习和深度学习的最新发展,以及它们在解决与地球科学和地球系统动力学相关的预测问题、模拟和多准则决策挑战方面所发挥的作用。并且介绍了在地球科学中使用的几种生成对抗网络(GANs)、物理信息神经网络(PINNs)和基于生成预训练转换器(GPT)的结构。这些工具在数据生成 / 增强、超分辨率、全色锐化、去雾、恢复和地表变化等多个应用中帮助地球科学界取得了进展。但还存在一些挑战,如确保物理解释性、恶意用途案例和可信度。总的来说,GAI 模型对地球科学界有着巨大潜力,特别是在支持气候变化、城市科学、大气科学、海洋科学和行星科学方面,通过其对数据驱动建模和不确定性量化的非凡能力。
Jan, 2024
该研究探讨了地理隐私在增加的在线数据共享和信息收集技术进展的背景下被低估的问题,并重点关注了这些发展对个人隐私的影响。研究通过开发名为 “Dr. Watson” 的基于 GPT-4 的高级 AI 工具,从公开数据源中分析和提取地理信息,展示了这些技术的潜在风险,并揭示了当前地理隐私措施的漏洞。结论强调了在高级 AI 和广泛社交媒体使用时,加强对地理隐私泄露的意识和保护措施的紧迫性。
Nov, 2023
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
本文系统化地分析了当前基础模型学习问题的关键特征和对应的低准确性下隐私保护和拜占庭容错异构学习的下界,阐述了设计一个高安全性和隐私保护基础模型的不可能性,并呼吁采取措施优先考虑安全和隐私,并减缓追求更大模型的竞赛。
Sep, 2022