基于对抗自监督学习的增强型城市区域画像以实现鲁棒预测与安全
计算机视觉与模式识别
2025-01-22 v3
摘要
在动态且充满噪声的城市环境中，城市区域画像在预测和决策中起着至关重要的作用。现有方法常常面临噪声、数据不完整性和安全漏洞等问题。本文提出了一种新颖的框架——基于对抗自监督学习的增强型城市区域画像（EUPAS），以应对这些挑战。通过将对抗对比学习与监督和自监督目标相结合，EUPAS确保了在犯罪预测、签到预测和土地利用分类等多种预测任务中的鲁棒性能。为了增强模型抵御对抗攻击和噪声数据的能力，我们引入了几个关键组件，包括扰动增强、欺骗生成器和偏差复制生成器。这些创新有效地提高了嵌入的鲁棒性，使EUPAS能够处理城市数据固有的复杂性和噪声。实验结果表明，EUPAS在多个任务上显著优于最先进的方法，预测准确率提升高达10.8%。值得注意的是，我们的模型在对抗攻击测试中表现出色，展示了其在现实世界、安全敏感应用中的韧性。这项工作通过提供一种更鲁棒、更安全的城市区域预测和画像方法，为城市分析领域做出了实质性贡献。它解决了安全、数据驱动建模中的关键挑战，为未来的城市分析和决策应用奠定了更坚实的基础。
引用
@article{arxiv.2402.01163,
title = {Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning for Robust Forecasting and Security},
author = {Weiliang Chen and Qianqian Ren and Yong Liu and Jianguo Sun},
journal= {arXiv preprint arXiv:2402.01163},
year = {2025}
}