MIND新突破：52数据集78目标，区域留出预测拿下最高分！
MIND the Gap: A Geographic Implicit Neural Representation with Adjustable Spatial Scale
📖 AI 总结
本文提出了一种名为MIND（Matryoshka隐式神经蒸馏）的地理隐式神经表示方法，旨在解决地理测量数据稀疏、难以泛化至遥远区域的问题。MIND将多个预训练地理空间专家模型的嵌入蒸馏为单一通用坐标嵌入，并通过嵌套监督机制实现可调节的空间粒度：前段嵌入捕捉粗粒度地理变化，后段嵌入补充细粒度细节。下游预测器可仅保留前段嵌入，或采用分块惩罚对后段降权，无需重新训练即可灵活调整空间尺度。为系统评估，作者构建了CoordBench，涵盖52个数据集和78个目标，同时测试局部插值与区域外推。实验表明，MIND及其分块惩罚变体在回归与分类任务中均取得最高综合得分，在区域留出测试中表现尤为突出，刷新了地理隐式神经表示的最优性能。
🔑 关键词速览
| 地理隐式神经表示 (Geographic INR) | 一种将地理坐标映射为连续嵌入的神经网络表示方法，支持在任意位置查询，用于稀疏地理数据的建模与预测。 |
| 套娃隐式神经蒸馏 (MIND) | 本文提出的方法，通过嵌套监督将多个专业地理空间模型的嵌入蒸馏为一个可调空间粒度的通用坐标嵌入。 |
| 分块惩罚 (Chunked Penalty) | 一种在训练下游预测器时对嵌入的后期块施加惩罚以降低其权重的技术，无需重新训练INR即可调整空间粒度。 |
| CoordBench | 本文提出的大规模INR评估套件，包含52个数据集和78个目标，用于测试局部插值和区域留出预测。 |
| 区域留出 (Regional Holdout) | 一种评估设置，将整个地理区域的数据完全留出作为测试集，以衡量模型对遥远未见过区域的泛化能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅