面向异构多源空间点数据预测的自洽深层几何学习
机器学习
2024-07-02 v1
摘要
多源空间点数据预测在环境监测和自然资源管理等领域至关重要，整合来自各种传感器的数据是实现全面环境理解的关键。现有方法往往局限于特定领域，且缺乏在无真实标签情况下整合多源信息的策略。关键挑战包括评估不同数据源的质量并有效建模它们之间的空间关系。为此，我们引入一种创新的多源空间点数据预测框架，能够在不依赖真实标签的情况下对齐来自不同来源的信息。我们方法的独特之处是“保真度得分”，这是一种用于评估每个数据源可靠性的量化度量。此外，我们开发了面向准确描绘数据点之间空间关系的地理位置感知图神经网络。该框架在两个真实数据集和一个合成数据集上进行了严格测试。结果一致显示，其性能优于现有的先进方法。
引用
@article{arxiv.2407.00748,
title = {Self-consistent Deep Geometric Learning for Heterogeneous Multi-source Spatial Point Data Prediction},
author = {Dazhou Yu and Xiaoyun Gong and Yun Li and Meikang Qiu and Liang Zhao},
journal= {arXiv preprint arXiv:2407.00748},
year = {2024}
}