11:17官方账号arXiv cs.LG@Yahya Aalaila, Mouad Elhamdi, Gerrit Großmann, Daniel Jenson, Elizaveta Semenova, Sebastian Vollmer本文研究时空点过程模型在事件历史稀疏时的泛化能力,使用AlphaEarth嵌入作为线性空间上下文。在固定log-Gaussian Cox过程骨干下,对比仅事件模型与加入AlphaEarth的模型。在8个留出区域的紧急医疗服务(EMS)预测任务中,AlphaEarth在所有历史长度(w=1-104周)上均提升留出区域预测性能。尤其在w=1-2周的稀疏历史下,提升达2到6倍;在w=20-104周时提升约10%到20%。论文AlphaEarthEMS时空点过程预测推荐理由:AlphaEarth用空间上下文帮EMS预测在历史稀疏时性能提升了2-6倍,实实在在的效果。原文
11:46官方一手arXiv: Google DeepMind@Mohammadreza Narimani, Alireza Pourreza, Parastoo Farajpoor精选加州大学团队利用Google DeepMind的AlphaEarth地理空间嵌入,结合U-Net深度学习模型,实现了加州加工番茄田的像素级精准识别。研究基于LandIQ 2018年作物多边形构建了平衡参考数据集,在独立测试集上达到99.19%像素精度和99.04% F1分数。该方法无需手工特征工程,且通过蒙特卡洛dropout提供了不确定性估计,边缘区域不确定性最高。结果表明AlphaEarth嵌入可作为分析就绪的替代方案,支持跨年稳健的作物制图。论文AlphaEarth深度学习作物制图遥感U-Net推荐理由:农业遥感团队终于有了无需手工特征工程的端到端方案——AlphaEarth嵌入+U-Net直接输出高精度作物图,做供应链预测和政策分析的可以直接复现。原文