重新审视城市表征学习中的多视图融合

PRISM 用区域自适应 MoE 路由与梯度调节改进城市多视图融合。

资讯摘要

论文指出，城市区域表征学习现有方法依赖全局共享融合与联合优化，隐含假设各模态重要性一致、多目标训练自然平衡；但实证分析发现，模态效用随区域显著变化，静态融合会过度强调某些模态信号，异构目标间还存在持续的梯度不平衡，导致表征偏差与训练不稳定。作者提出自适应多视图框架 PRISM，用稀疏 MoE 路由学习区域特定的视图分配，并以受 PID 启发的调节机制缓解优化中的梯度冲突。在三个大规模城市数据集上，PRISM 与强多视图基线表现相当，同时优化更稳定、区域表征更均衡。

要点速读

1. 论文实证发现城市数据存在两个结构性问题：模态效用随区域变化，异构目标间梯度持续不平衡。
2. PRISM 采用稀疏 MoE 路由学习区域特定的视图分配，并用 PID 启发的机制缓解梯度冲突。
3. 在三个大规模城市数据集上，PRISM 与强多视图基线表现相当，优化更稳定、区域表征更均衡。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。