基于网格细胞的空间特征分布多尺度表示学习
计算机视觉与模式识别
2020-03-03 v1 人工智能
机器学习
机器学习
摘要
无监督文本编码模型近来极大推动了NLP领域的进展。其核心思想是利用神经网络将文本中的词转换为基于句中词位置及上下文的向量空间表示，适于下游任务的端到端训练。我们在空间分析中看到极为相似的情形，该领域侧重于将地理对象（如POI）的绝对位置与空间上下文一并纳入模型。一个通用的空间表示模型对大量任务都极具价值。然而，迄今为止除简单地将离散化或前馈网络应用于坐标外，尚不存在此类通用模型，且鲜有研究致力于联合建模具有显著差异分布的特性——这常见于GIS数据。与此同时，获诺贝尔奖的神经科学研究表明，哺乳动物的网格细胞提供了一种多尺度周期性表示，可作为位置编码的度量，并对地点识别与路径整合至关重要。因此，我们提出一种称为Space2Vec的表示学习模型，以编码地点的绝对位置与空间关系。我们在两个真实地理数据上针对两项不同任务进行实验：1）给定POI位置与上下文预测其类型，2）利用其地理定位的图像分类。结果表明，由于其多尺度表示，Space2Vec在位置建模与图像分类任务上优于RBF核、多层前馈网络及瓦片嵌入等成熟机器学习方法。详细分析显示，所有基线至多能较好处理单一尺度分布，而在其他尺度上表现不佳。相比之下，Space2Vec的多尺度表示可处理不同尺度的分布。
引用
@article{arxiv.2003.00824,
title = {Multi-Scale Representation Learning for Spatial Feature Distributions using Grid Cells},
author = {Gengchen Mai and Krzysztof Janowicz and Bo Yan and Rui Zhu and Ling Cai and Ni Lao},
journal= {arXiv preprint arXiv:2003.00824},
year = {2020}
}
备注
15 pages; Accepted to ICLR 2020 as a spotlight paper