Apr, 2024

GeoAI 的可重复性和可复制性：计算和空间视角

PDF
TL;DRGeoAI 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。
geoaireproducibility and replicabilityvalidationlearning and adaptingspatial heterogeneity
发现论文，激发创造
  • 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

  • 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

  • 机器学习的可重复性：术语、建议和开放问题

    本文回顾了当前关于 Artificial Intelligence 的可重复性的文献，并强调了未解决的问题。作者提出了一些建议来提高模型重复性，特别是涉及生物医学和物理人工智能领域的问题。

    Feb, 2023

  • 再现性与几何内在维度：关于图神经网络研究的调查

    机器学习研究中的复制和再现困难已成为近年来一个突出的话题，本研究通过介绍一个机器学习再现性本体论并将其应用于图神经网络方法，评估了研究出版物在支持再现性不同方面的程度，同时探讨了维数灾难这一机器学习中的另一个关键挑战，即数据收集、表示和分析方面的挑战，以及数据集的几何固有维度对机器学习模型的影响程度。

    Mar, 2024

  • 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

  • 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

    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

  • 机器学习驱动研究的可重现性

    面对研究的可重复性危机，机器学习和人工智能研究也面临同样的问题。虽然研究社区已经提出了不同的解决方案如使用机器学习平台，但机器学习驱动的研究的可重复性水平并没有显著提高。本文通过综述相关文献，讨论机器学习驱动研究中的可重复性问题和障碍，并探索工具、实践和干预等潜在驱动因素，提供对于支持机器学习可重复性的不同解决方案可行性的决策支持。

    Jul, 2023

  • 表格结构识别方法的可重现性和可复制性研究

    本文考察了人工智能表格结构识别领域中 16 篇已发表论文的可重现性和可复制性，通过使用原始作者提供的代码和数据集尝试复现其结果，并采用类似数据集和新数据集进行复制性检查，检验结果表明只有其中 4 篇论文的结果与原始相符，其中 2 篇论文的可复制性可在一定 IoU 值下得到证实，新数据集没有证实任何论文的可复制性。

    Apr, 2023

  • 通过可复制性教授人工智能公正性、问责性、保密性和透明度

    本文介绍了阿姆斯特丹大学关于应用可重现性来教授公正、问责、机密和透明的人工智能课程，通过学生论文组和竞赛的形式，将理论和实践知识有机结合，并提出了相关授课指导方针。

    Nov, 2021

  • 训练可复现的深度学习模型

    本文提出了一种系统的方法来训练可重复的深度学习模型，该方法包括评估标准，统一的框架和可重复性指南，能够在不同领域成功复现多个深度学习模型。

    Feb, 2022