arXiv cs.AI· Sean Bin Yang, Zongyi Xu, Jilin Hu, Ying Sun, Kristian Torp, Bin Yang, Torben Bach Pedersen, Christian S. Jensen·· 11 小时前AI 评分22
PRISM：面向城市区域表示学习的自适应多视图融合框架
Rethinking Multi-View Fusion for Urban Representation Learning
AI 导读
PRISM 是一个自调整的多视图学习框架，用稀疏 MoE 路由学习区域专属的视图分配，并以受 PID 启发的调节机制缓解优化中的梯度冲突。研究指出城市数据存在模态效用随区域变化、异构目标梯度长期失衡两大结构性问题。在三个大规模城市数据集上，PRISM 性能与强多视图基线相当，同时优化更稳定、区域表示更均衡。
正文 · AI 翻译
摘要：城市区域表示学习将移动流、兴趣点和土地利用模式等异构城市信号编码为统一嵌入，用于下游任务，包括签到预测、犯罪预测和服务需求估计。现有方法依赖全局共享的融合与联合优化，隐含地假设各模态重要性一致且多目标训练自然平衡。然而，城市数据本质上是异构的。我们的实证分析揭示了两个结构性问题：(i) 模态效用在不同区域间差异显著，导致静态融合过度强调某些模态的信号；(ii) 异构目标表现出持续的梯度不平衡，导致表示偏差和训练不稳定。我们提出 PRISM，一个用于自适应多视图学习的自调节框架。PRISM 采用稀疏 MoE 路由来学习区域特定的视图分配，同时一种受 PID（比例积分微分）启发的调节机制在优化过程中缓解梯度冲突。在三个大规模城市数据集上的实验表明，与强多视图基线相比，PRISM 取得了有竞争力的性能，同时提供更稳定的优化行为和更均衡的区域表示。
| 评论： | 被 PVLDB 2027 接收 |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.31850 [cs.LG] |
| （或 arXiv:2610.31850v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.31850 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sean Bin Yang [查看邮箱]
[v1]
2026年10月22日星期四 19:32:45 UTC（3,556 KB）
来源：arXiv cs.AI · arxiv.org