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.