В данном исследовании проводится бенчмарк того, может ли GeoShapley, объяснитель на основе теории игр, восстанавливать пространственно изменяющиеся коэффициенты из моделей машинного обучения с использованием эмбеддингов кодировщиков локаций. Одиннадцать кодировщиков из фреймворка TorchSpatial были оценены на синтетическом процессе с известными коэффициентами в масштабах сетки, округа и глобальном.
- Бенчмарк тестировал одиннадцать кодировщиков в условиях необученных и контрастивно обученных моделей, как с сырыми координатами, так и без них.
- Восстановление основного коэффициента было стабильно высоким для всех кодировщиков.
- Восстановление вторичного коэффициента зависело от масштаба, демонстрируя наибольшую вариацию на глобальном уровне.
- Базовый вариант с сырыми координатами оставался конкурентоспособным на протяжении всей оценки.
Результаты показывают, что, хотя эмбеддинги кодировщиков локаций могут эффективно улавливать основные пространственные эффекты, их способность восстанавливать вторичные коэффициенты значительно варьируется в зависимости от масштаба.