利用深度生成模型增强空间数据的相关结构
机器学习
2019-05-24 v1 人工智能
机器学习
摘要
最先进的深度学习方法已展现出对复杂数据域的卓越建模能力，但在地理空间数据上表现不佳。本文中，我们引入SpaceGAN，一种针对地理空间域的新型生成模型，通过空间条件化学习邻域结构。我们提出超越单纯空间坐标来增强空间表示，通过将每个数据点以其空间邻域的特征向量为条件，从而允许对空间结构更灵活的表示。为克服训练收敛问题，我们采用一种度量，捕捉真实数据与生成数据间局部空间自相关的损失，作为SpaceGAN参数化的停止准则。以此方式，我们确保生成器产生忠实于输入中观测到的空间模式的合成样本。SpaceGAN成功应用于数据增强，并优于其他合成空间数据生成方法。最后，我们提出一种面向地理空间域的集成学习框架，将增广的SpaceGAN样本作为一组集成学习器的训练数据。我们使用合成和真实世界的预测任务，凭经验展示了该方法相对于常规集成学习方法和竞争空间数据增强方法的优越性。我们的发现表明，SpaceGAN可用作（1）人为扩充稀疏地理空间数据，以及（2）改善地理空间模型泛化能力的工具。
引用
@article{arxiv.1905.09796,
title = {Augmenting correlation structures in spatial data using deep generative models},
author = {Konstantin Klemmer and Adriano Koshiyama and Sebastian Flennerhag},
journal= {arXiv preprint arXiv:1905.09796},
year = {2019}
}