- 探究空间相关性度量的信息论根源
通过自信息（也称为惊讶值）的视角，我们将研究空间自相关的信息理论基础，具体而言是莫兰 I，提供形式化证明和实验。
- 基于度量的主曲线方法用于学习一维流形
提出了一种基于度量的新型主曲线（MPC）方法，用于学习空间数据的一维流形。在合成数据集和实际应用中使用 MNIST 数据集验证了该方法在形状方面能够很好地学习一维流形。
- 利用激光雷达点云的端到端三维物体检测
无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。
- 土地利用分类的两种数据融合方法比较
准确的土地利用地图对土地管理和规划非常有用，为了产生准确的地图，需要利用多种来源的空间数据，通过预分类融合等多种方法来提高分类准确性。
- 移动互联网质量评估基于自适应核回归
提出一种新的自适应核回归方法，通过自调节核函数来缓解数据不平衡，从而更准确地估计基于大规模互联网质量开放数据集的移动互联网质量，可应用于其他应用。
- 通过重要性重新加权纠正空间建模中的采样偏差
机器学习模型中，在空间数据（例如环境研究中常见的数据）中，估计错误往往很复杂、存在分布偏差。我们介绍了一种基于重要性采样思想的方法，以获取目标误差的无偏估计。通过考虑期望误差与可用数据之间的差异，我们的方法在每个样本点上重新加权错误，并抵消 - 学习空间数据分区
本文研究了分布式空间数据分析的机器学习方法，并提出了一种新的深度强化学习算法来有效地分配大量的空间数据给计算机，通过实验证明，此方法可加速距离连接查询，减少任务运行时间长达 59.4%。
- 基于数据驱动的时空交通服务管理区域生成框架
本文提出了一种基于数据驱动和多目标优化的区域生成框架 RegionGen，可为服务操作指定具有良好空间语义和可预测性的区域。实验结果表明，RegionGen 可为时空服务管理生成更适用的区域。
- 面向多边形几何的通用表示学习
开发了通用的多边形编码模型 NUFTspec 和 ResNet1D，可以将包括复杂多边形在内的多边形特征编码为嵌入式向量，适用于形状分类和空间关系预测任务。
- GeoPointGAN: 带有局部标签差分隐私的合成空间数据
GeoPointGAN 是一种基于 GAN 的解决方案，用于生成具有高效和隐私保证的合成空间点数据集，具有标签局部差分隐私保证，并通过随机响应机制将‘真实’和‘虚假’数据的标签翻转来实现。实验结果表明，与竞争对手相比，GeoPointGAN - ML-Decoder：可扩展和多功能的分类头
介绍了一种新的注意力机制分类器 ML-Decoder，由查询预测类别存在，能够更好地利用空间数据，并使用新颖的分组解码方案使其高度高效，可扩展到数千个类别。在多个分类任务上取得了最新的成果。
- 地理人工智能位置编码方法与应用综述
本文从机器学习的角度提出了位置编码的概念，系统回顾并讨论了当前位置编码研究的现状和挑战，将已有的位置编码模型分类，并探讨了它们与不同类型空间数据的应用，并指出了未来位置编码研究面临的挑战。
- SE-KGE: 一种面向地理问答和空间语义提升的位置感知知识图谱嵌入模型
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 - AAAI使用具有不同粒度的辅助空间数据集精炼粗粒度空间数据
本研究提出了一种基于高斯过程的概率模型，可通过插值和空间聚合等技术调整空间数据的粒度，从而提高模型的泛化性能和准确性。
- 使用卷积神经网络实现亚分米分辨率图像的密集语义标注
本文基于卷积神经网络提出了一种深度学习系统，能够在高分辨率的航拍图像上检测地物信息并达到了良好的识别精度。
- Ball-tree：度量空间中约束最近邻搜索的高效空间索引
介绍了 Ball-tree 空间搜索树以及 Ball*-tree 改进算法，并使用新算法解决 KNN 查询问题，结果表明 Ball*-tree 算法相较于原算法具有更高的效率。
- 差分隐私空间分解
本文介绍了一种新的私有空间分解方法，将标准的空间分布方法与差分隐私相适应，提供了隐私保证，并分析了一些关键实例，实验研究证明可以高效地构建这种空间分解并用于各种查询。