spatial dependence | BriefGPT

关键词spatial dependence

搜索结果 - 7

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。
PDFa month ago
理解概念激活向量：解释可解释性
使用概念解释将深度学习模型的内部表示转化为人类熟悉的语言，最近的解释性方法提议采用基于概念的解释。本文研究了 Concept Activation Vectors (CAVs) 的三个性质，它们可能在不同层次之间存在不一致性，与不同概念纠缠
PDF3 months ago
DeepFDR：一种基于深度学习的神经影像数据虚假发现率控制方法
本研究提出了 DeepFDR，一种新的空间 FDR 控制方法，利用无监督的基于深度学习的图像分割来解决基于体素的多重检验问题，在综合模拟和老年痴呆症 FDG-PET 图像分析的数值研究中，表明 DeepFDR 相对于现有方法具有明显的优势，
PDF9 months ago
无监督图深度学习揭示城市区域出现的洪水风险特征
基于一种新型无监督图深度学习模型（称为 FloodRisk-Net），本研究提出了一个集成的城市洪水风险评级模型，能够捕捉区域间的空间依赖关系和洪水危险和城市特征之间的复杂非线性相互作用，以确定突发洪水风险。利用美国多个都市统计区（MSAs
PDF9 months ago
非平稳空间建模
该论文提出了一种空间模型，可以允许空间依赖结构随着位置的变化而变化，并开发了一种分层模型，可以将这种不确定性纳入结果推理中，该方法已应用于有毒废物处理领域。
PDF2 years ago
STGC-GNNs：一种基于 GNN 的交通预测框架，使用时空 Granger 因果图
本研究提出了一种新的假设：全局 - 动态交通信息（GDTi）行为为交通流内在的传输因果关系（TCR），并进一步提出了时空 Granger 因果关系（STGC）以表达 TCR，以建立全局动态空间依赖性的模型。实验结果表明，使用 STGC 对
PDF2 years ago
交通需求预测的耦合逐层图卷积
本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测，该模型在不同层次使用不同的邻接矩阵，并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低，并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中，
PDF4 years ago