事實證明，深度學(xué)習(xí)算法是解決各種現(xiàn)實問題的有前途的工具，尤其是那些需要分析大量數(shù)據(jù)的問題。實際上，與其他計算技術(shù)相比，這些算法可以簡單地通過處理與其設(shè)計要完成的任務(wù)相關(guān)的數(shù)據(jù)來學(xué)習(xí)做出高度準(zhǔn)確的預(yù)測。

里昂高等師范學(xué)院(ENS)和中歐大學(xué)(CEU)的研究人員最近開發(fā)了一個深度神經(jīng)網(wǎng)絡(luò)，可用于研究城市化可能引起的社會經(jīng)濟(jì)不平等。他們的研究以《自然機(jī)器智能》為特色，證實了卷積神經(jīng)網(wǎng)絡(luò)(CNN)對地理區(qū)域進(jìn)行深入分析的潛力。

多年來，有效跟蹤城市化進(jìn)程是相當(dāng)艱巨的任務(wù)，而城市化進(jìn)程是城市規(guī)模日益擴(kuò)大和人口稠密的過程。然而，日益先進(jìn)的遙感和衛(wèi)星技術(shù)的發(fā)展為觀察特定地理區(qū)域以及與城市化有關(guān)的研究開辟了新的令人興奮的可能性。在他們的研究中，研究人員ENS Lyon和CEU嘗試使用深度學(xué)習(xí)算法來分析由這些工具收集的圖像。

研究人員Jacob Levy Abitbol和Marton Karsai說：“我們的最初目標(biāo)實際上是檢查可以使我們的算法(即根據(jù)其衛(wèi)星圖像預(yù)測某個區(qū)域的平均收入)的最佳空間分辨率是什么。”進(jìn)行這項研究的人士告訴TechXplore。“一旦這樣做，我們就開始懷疑我們的基礎(chǔ)深度學(xué)習(xí)模型在預(yù)測不同城市的收入時是否使用了相似的功能，以及該模型所使用的功能是否與我們認(rèn)為與收入相關(guān)。”

Abitbol和Karsai對法國城市地區(qū)的航拍圖像進(jìn)行了CNN培訓(xùn)，并評估了其預(yù)測這些地區(qū)居民的社會經(jīng)濟(jì)地位的能力。出乎意料的是，當(dāng)他們開始測試其算法時，他們發(fā)現(xiàn)該算法是由通常與收入或社會經(jīng)濟(jì)地位沒有最強(qiáng)關(guān)聯(lián)的城市特征激活的。

在過去的幾年中，使用CNN預(yù)測基于衛(wèi)星圖像的地理區(qū)域的收入已變得相當(dāng)普遍。但是，為了做出準(zhǔn)確的預(yù)測，應(yīng)該對這些模型進(jìn)行大量數(shù)據(jù)的訓(xùn)練，包括感興趣區(qū)域的衛(wèi)星圖像和與這些區(qū)域相關(guān)的收入相關(guān)信息。

Abitbol和Karsai說。“事實證明，為了使模型能夠做到這一點，理想情況下需要將其推廣(例如，如果我們在A區(qū)域訓(xùn)練我們的模型，它應(yīng)該在B區(qū)域產(chǎn)生一致的結(jié)果)并且是可理解的(即，我們需要知道模型用來推斷開發(fā)數(shù)據(jù)正確的信號)。”

現(xiàn)有的大多數(shù)深度學(xué)習(xí)技術(shù)都可以根據(jù)航空衛(wèi)星圖像推斷特定區(qū)域內(nèi)人們的平均收入，但不能解釋其預(yù)測背后的確切過程。另一方面，Abitbol和Karsai試圖解釋其模型的預(yù)測，以便更好地理解為什么它為所分析的每幅圖像推斷出特定的收入。

Abitbol和Karsai說：“當(dāng)我們開始進(jìn)行這個項目時，一些組織正在嘗試將類似的模型推向市場(即，將其應(yīng)用于缺乏社會經(jīng)濟(jì)數(shù)據(jù)來估計其發(fā)展的國家)。” “總體的基本思路是，這些模型使用與收入密切相關(guān)的特征來進(jìn)行預(yù)測。我們的工作表明，情況遠(yuǎn)非如此，我們需要更深入地了解這些CNN如何將視覺特征整合到預(yù)測中充分利用它們。”

研究人員在法國不同城市地區(qū)收集的衛(wèi)星數(shù)據(jù)上測試了CNN，發(fā)現(xiàn)其取得了良好的效果。但是，他們發(fā)現(xiàn)其預(yù)測是基于通常與收入無關(guān)的城市特征。例如，由于公共場所或商業(yè)場所的燈光明亮，富裕的城市地區(qū)通常在晚上或晚上具有較強(qiáng)的照明強(qiáng)度，但是Abitbol和Karsai發(fā)現(xiàn)他們的模型主要關(guān)注其他功能，因此優(yōu)先考慮居民區(qū)。

盡管CNN已顯示出收集有關(guān)地理區(qū)域的社會經(jīng)濟(jì)信息的潛力，但該研究小組進(jìn)行的研究表明，其預(yù)測背后的過程可能不可靠，因此應(yīng)進(jìn)行進(jìn)一步調(diào)查。因此，在將來，他們的工作可能會激發(fā)模型的開發(fā)，這些模型可以解釋其預(yù)測所基于的功能，從而使它們可以適應(yīng)于更有效和可靠地執(zhí)行。

Abitbol和Karsai表示：“我們非常有興趣了解模型的預(yù)測以及隨后的解釋會根據(jù)代理商的行為在多大程度上發(fā)生變化，該代理商的行為旨在為我們的模型提供給定區(qū)域的最佳視圖，并告知其預(yù)測。”說過。“我們感興趣的另一個潛在方向涉及識別一般視覺模式，這些模式表征某些收入類別的預(yù)測，以確定我們可以在不同地區(qū)之間轉(zhuǎn)移經(jīng)過訓(xùn)練的模型并獲得高精度的社會經(jīng)濟(jì)預(yù)測的程度。”

標(biāo)簽： 深度學(xué)習(xí)