위치 인코더(Location Encoders)가 공간적 효과를 포착하는가? 다양한 규모에 걸친 GeoShapley 벤치마크

위치 인코더(Location encoders)는 지리적 좌표를 다운스트림 머신러닝(downstream machine learning)을 위한 고차원 임베딩(high dimensional embeddings)으로 변환하지만, 이러한 표현(representations)이 해석 가능한 공간적 효과(spatial effects)를 얼마나 잘 포착하는지는 불분명합니다. 본 연구에서는 모든 위치 특성을 하나의 결합된 플레이어(single joint player)로 취급하는 게임 이론적 설명 모델(game-theoretic explainer)인 GeoShapley가 위치 인코더 임베딩을 기반으로 구축된 모델로부터 공간적으로 변화하는 계수(spatially varying coefficients)를 복구할 수 있는지 벤치마크합니다. TorchSpatial 프레임워크의 11개 인코더를 대상으로, 알려진 계수를 가진 합성 프로세스(synthetic process)에 대해 세 가지 규모(그리드(grid), 카운티(county), 글로벌(global))에서 임베딩과 함께 원시 좌표(raw coordinates)를 포함하거나 포함하지 않은 상태, 그리고 학습되지 않은 상태와 대조 학습(contrastively trained)된 상태에서 평가를 진행했습니다. 추정된 계수와 실제 계수 사이의 상관관계로 복구 성능을 측정하여, 규모 및 인코더 아키텍처(architecture)에 따라 성능이 어떻게 변하는지 보고하고 임베딩을 원시 좌표 베이스라인(raw-coordinate baseline)과 비교합니다. 주요 계수(primary coefficient)의 복구는 모든 인코더에서 일관되게 높게 나타난 반면, 이차 계수(secondary coefficient)의 복구는 규모에 더 의존적이었으며 글로벌 규모에서 가장 큰 차이를 보였습니다. 원시 좌표 베이스라인은 전 과정에서 경쟁력 있는 성능을 유지했습니다.