Nuova ricerca sull'IA introduce la perdita di consistenza proxy per la fusione di dati di osservazione terrestre

I ricercatori hanno sviluppato un nuovo metodo di apprendimento automatico chiamato perdita di consistenza proxy (PCL) per affrontare la scarsità di dati nelle applicazioni di osservazione terrestre. L'approccio integra variabili geografiche correlate come proxy attraverso un codificatore di posizione addestrabile, consentendo l'apprendimento da dati proxy abbondantemente disponibili indipendentemente dai campioni di addestramento etichettati limitati. Un'innovazione chiave prevede l'utilizzo del codificatore di posizione come meccanismo flessibile per incorporare queste variabili proxy, che sono spesso correlate ma distinte dalle variabili target di interesse. Il metodo richiede anche un'appropriata regolarizzazione del codificatore di posizione per ottenere prestazioni robuste con dati etichettati sparsi. La validazione sperimentale è stata condotta su compiti di previsione della qualità dell'aria e mappatura della povertà, dimostrando le applicazioni pratiche della tecnica. La ricerca affronta limitazioni fondamentali nell'apprendimento supervisionato con input di osservazione terrestre, dove dati etichettati di alta qualità o misurati in-situ rimangono scarsi nonostante l'abbondanza di dati geografici. Questo lavoro rappresenta un progresso tecnico nelle metodologie di IA geografica.