.png){kind=icon}
返回
Machine-learning-enabled spatial pattern mining: evaluating the impact of imperfect inputs
.png){kind=icon}
PRE
AI
DOI：10.1080/13658816.2025.2490687.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
空间模式挖掘（SPM）旨在检测呈现有趣、非平凡且可能有用模式的地理位置或区域。传统基于点的SPM任务的表述主要基于真实观测，这些观测往往在空间覆盖范围、可用性和时效性方面存在局限。尽管机器学习（ML）具有扩展可用数据范围的能力，但模型预测标签的不确定性为它们在SPM情境下的可用性带来了新的挑战。本文利用机器学习模型的预测标签，对ML赋能的SPM任务进行了表述。鉴于空间模式的不断扩展，我们考虑了四种广泛采用的模式——热点、共现模式、混合模式和空间离群点——以界定本研究范围，使讨论具体化。我们开发了SPM算法的软标签版本，可直接在机器学习模型生成的不确定预测上执行。此外，我们评估了在各类别和实值数据集上，跨越不同预测质量水平的ML赋能SPM结果。结果表明，某些空间模式（如基于多项扫描统计的混合模式和基于正态模型的模式）在不同误差水平下能更稳健地保持检测质量，而其他模式（如空间离群点）则对错误预测更为敏感。这为在SPM中使用学习型预测提供了有益指导。
Keyword:
Machine learning
pattern mining
imperfect labels
evaluation
期刊
IF:
5.1
论文数:
2.7K
被引数:
9.3K
机构
引用论文
Detecting region outliers in meteorological data.png)
Proceedings of the 11th ACM international symposium on Advances in geographic information systems
Proceedings of the 11th ACM international symposium on Advances in geographic information systemsIF0
PREAI
分享收藏
查看更多内容