新框架SAIL让空间自相关可学习，高维图数据也能用，还能精准还原经典统计量！
SAIL: A Learnable Generalisation of Spatial Autocorrelation over Graph-Structured Data
📖 AI 总结
该论文针对经典空间自相关统计量（如Moran's I和Geary's C）仅适用于单一标量变量和固定邻域权重、难以处理高维图结构数据的局限，提出SAIL（空间自相关指数学习器）框架。SAIL是一个可微框架，通过联合学习定义候选标量场的特征投影与节点间邻域亲和度，将空间自相关推广为可学习算子，并输出可解释的局部与全局空间一致性描述符，支持监督预测及无监督发现空间自相关模式与热点。研究证明，SAIL在适当参数化下可精确还原经典空间统计量；对于由潜在空间自相关驱动的任务，其归纳偏置与任务匹配，能够逼近贝叶斯最优预测器。合成数据与大规模生物医学图上的实验验证了统计正确性及空间一致性的发现能力，应用覆盖视觉、地理空间分析和生物医学等领域。
🔑 关键词速览
| 空间自相关 | 空间自相关是指空间位置上相近的观测值之间存在的相关性，即节点特征值在空间中的聚集或分散程度。 |
| Moran's I | Moran's I是一种经典的空间自相关统计量，用于衡量空间邻接单元之间属性值的相似性，取值范围通常在-1到1之间。 |
| Geary's C | Geary's C是另一种空间自相关统计量，基于相邻单元属性值的差异平方和，对局部空间自相关更敏感。 |
| 可微框架 | 可微框架指整个计算过程可求导，从而能够利用梯度下降等优化方法进行端到端学习。 |
| 归纳偏置 | 归纳偏置是学习算法在面对未见数据时做出预测所依赖的假设或偏好，有助于提高泛化能力。 |
📱 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