SpaCE: 空间混淆环境
环境科学中使用机器学习算法进行空间预测是一项关键任务,在这篇研究中,我们介绍了 CAST 包及其核心功能,展示了如何使用 CAST 来支持更可靠的空间预测,并以植物物种丰富度的案例研究为例,演示了建模工作流程的各个步骤。
Apr, 2024
通过对稀少的空间关系的分类来构建 SpatialSense 数据集,该数据集可以提供计算机视觉领域的基准测试,引入敌对性众包来降低数据集偏见并且 samples 更有趣的关系,结果表明现有的先进模型表现出与简单基线相当的性能。
Aug, 2019
基于深度学习的潜在结果模型及其在时空因果推断中的应用:通过扩展潜在结果框架,在无未测混淆的情况下对时变治疗分配中的空间干扰进行形式化,并利用潜在因子建模来减少因时变混淆引起的偏差,同时利用 U-Net 架构捕捉数据随时间的全局和局部空间干扰,从而推断空间干扰对受治疗和未受治疗数据的直接和间接效应。
May, 2024
基于灵活的时间空间网格划分技术,本研究提出了一种以连续熵平衡为基础的因果连续处理的时空熵平衡方法(TS-EBCT),经过实验证明,在城市货运领域应用 TS-EBCT 方法后,因果效应的预测准确性显著提高,为公司的补贴和定价策略带来良好的商业利益。
Dec, 2023
该研究提出了空间预测误差剖面(SPEPs)和空间变量重要性剖面(SVIPs)作为空间预测模型的新型模型无关的评估和解释工具,以预测距离为重点。这些诊断工具为空间数据科学提供了新的工具,可能会改善机器学习模型的解释、选择和设计。
Nov, 2021
从因果的角度重新审视了时空时间序列的填充,引入了前门调整与一个基于因果感知的时空图神经网络 (CASPER),它包含了一个新颖的时空因果注意力 (SCA) 和一个基于提示的解码器 (PBD)。PBD 可以减少混淆变量的影响,而 SCA 可以发现嵌入之间的稀疏因果关系。经过理论分析,发现 SCA 是基于梯度值来发现因果关系的。通过在三个真实数据集上的评估,实验证明 Casper 能够胜过基准方法,并有效地发现因果关系。
Mar, 2024
本文提出了一种名为 Sanitized Clustering Against confounding Bias(SCAB)的新型聚类框架,通过非线性依赖度量在复杂数据的语义隐空间中消除混淆因素,从而消除了复杂应用中数据与混淆因素之间的偏差,通过移除混淆偏差显著提高了聚类性能。
Nov, 2023
本文提出了 SpuCo—— 一个 Python 软件包,用于快速实现当前最先进的对抗模型评估方法,包括两个新的视觉数据集 SpuCoMNIST 和 SpuCoAnimals,这有助于评估和比较各种对抗方法;结果表明现有数据集和评估方案对学习预测特征存在缺陷,为未来试图解决这些问题的研究提供了方向.
Jun, 2023
这篇研究提出了 “深度空间背景”(DSCon)方法,它利用空间背景的概念来研究基于注意力的视觉模型,在组织病理学家的启发下,该方法可以应用于各种领域。DSCon 通过将空间回归集成到流程中来定量衡量空间背景在特征、目标值(注意力得分)或残差的邻近区域特征中是否可观察,以此帮助验证研究问题。实验证明,在肿瘤病变的分类中,空间关系要比正常组织更重要。此外,研究还观察到,在空间回归中考虑的邻域大小越大,上下文信息的价值就越小。此外,观察到在特征空间中考虑的空间背景测量值最大,而目标值和残差中的空间背景测量值较小。
Jan, 2024