tempat dengan mempelajari embedding dari konteks spasial yang diperluas. Dalam: Prosiding Konferensi Internasional ACM SIGSPATIAL ke-25 tentang Kemajuan dalam Sistem Informasi Geografis. 1-10.
Yan, X., dkk., 2019. Jaringan saraf tiruan konvolusi grafik untuk klasifikasi pola bangunan
menggunakan data vektor spasial. ISPRS Jurnal Fotogrametri dan Penginderaan Jauh, 150, 259-273.
Zhang, H., dkk., 2019. Jaringan permusuhan generatif perhatian diri. Dalam: Konferensi Internasional Pembelajaran Mesin . PMLR, 7354-7363.
Zhang, Y., dkk., 2020. Model pembelajaran mendalam konvolusi graf residual yang baru untuk peramalan lalu lintas berbasis jaringan jangka pendek. Jurnal Internasional Sains Informasi Geografis, 34 (5), 969-995.
Zhang, Y. dan Yu, W. , 2022. Perbandingan metode resolusi super dem interpolasi dan jaringan saraf.
Sensor, 22 (3), 745.
Zhang, Y. , Yu, W. , dan Zhu, D. , 2022. Jaringan pembelajaran mendalam yang sadar fitur medan untuk superresolusi model ketinggian digital. ISPRS Jurnal Fotogrametri dan Penginderaan Jauh, 189, 143-162.
Zhao, L., dkk., 2019. T-GCN: Jaringan konvolusi graf temporal untuk prediksi lalu lintas. Transaksi IEEE tentang Sistem Transportasi Cerdas.
Zhu, A.X., dkk., 2018. Prediksi spasial berdasarkan hukum ketiga geografi. Annals of GIS, 24 (4), 225-240.
Zhu, D., dkk. , 2020a. Interpolasi spasial menggunakan jaringan saraf tiruan generatif bersyarat.
Jurnal Internasional Sains Informasi Geografis, 34 (4), 735-758.
Zhu, D. , Gao, S. , dan Cao, G. , 2022. Menuju era analisis dan pemodelan spasial yang cerdas. In: Prosiding Lokakarya Internasional ACM SIGSPATIAL ke-5 tentang AI untuk Penemuan Pengetahuan Geografis. 10-13.
Zhu, D. , dkk. , 2021. Jaringan saraf konvolusi grafik regresi spasial: Paradigma pembelajaran mendalam untuk distribusi multivariat spasial. GeoInformatica, 1-32.
Zhu, D., dkk., 2020b. Memahami karakteristik tempat dalam konteks geografis melalui jaringan saraf tiruan graf. Annals of the American Association of Geographers, 110 (2), 408-420.
Konferensi Internasional IEEE 2016 tentang Robotika dan Otomasi (ICRA) . IEEE, 512-519.
Fotheringham, A.S. , Yang, W. , dan Kang, W. , 2017. Regresi tertimbang geografis multiskala (mgwr). Annals of the American Association of Geographers, 107 (6), 1247-1265. Gao, Y. , dkk. , 2019. Pembelajaran mendalam multi-tugas label tidak lengkap untuk peramalan subtipe peristiwa spatio-temporal. Dalam: Prosiding Konferensi AAAI tentang Kecerdasan Buatan. vol. 33, 3638-3646.
Goodchild, MF dan Li, W. , 2021. Replikasi lintas ruang dan waktu pasti lemah dalam ilmu sosial dan lingkungan. Prosiding Akademi Ilmu Pengetahuan Nasional, 118 (35).
Gupta, J., dkk., 2020. Menuju jaringan saraf tiruan yang menyadari variabilitas spasial (svann):
Ringkasan hasil. Dalam: Lokakarya ACM SIGKDD tentang Pembelajaran Mendalam untuk Data Spatiotemporal, App. & Sys.
Gupta, J., dkk. , 2021. Jaringan saraf tiruan dalam yang menyadari variabilitas spasial (svann):
Sebuah pendekatan umum. ACM Trans. Intell. Syst. Technol., 12 (6).
He, E., dkk., 2022. Berlayar di ranah bias keadilan berbasis lokasi. Dalam: Prosiding Konferensi Internasional ke-30 tentang Kemajuan dalam Sistem Informasi Geografis . 1-10.
He, E., dkk. , 2023. Jaringan saraf yang dipandu fisika untuk keadilan yang sadar waktu: Sebuah aplikasi dalam prediksi hasil panen. In: Konferensi AAAI tentang Kecerdasan Buatan.
He, K., dkk., 2016. Pembelajaran residual mendalam untuk pengenalan gambar. In: CVPR. 770-778.
Jean, N. , dkk. , 2019. Tile2vec: Pembelajaran representasi tak terawasi untuk data yang terdistribusi secara spasial. Dalam: Prosiding Konferensi AAAI tentang Kecerdasan Buatan . vol. 33, 3967-3974.
Jia, X., dkk., 2019. Jaringan yang sadar konteks spasial untuk periode diskriminatif temporal pertambangan dalam deteksi tutupan lahan. In: SDM. SIAM, 513-521.
Jiang, Z. , dkk. , 2019. Pembelajaran ansambel spasial untuk data geografis heterogen dengan ambiguitas kelas. ACM Trans. on Intelligent Sys. and Tech. (TIST ), 10 (4).
Jiang, Z. , dkk. , 2017. Pembelajaran ansambel spasial untuk data geografis heterogen dengan ambiguitas kelas: Sebuah ringkasan hasil. In: Prosiding Konferensi Internasional ACM SIGSPATIAL ke-25 tentang Kemajuan dalam Sistem Informasi Geografis . 1-10.
Jo, E.S. dan Gebru, T. , 2020. Pelajaran dari arsip: Strategi untuk mengumpulkan data sosiokultural dalam pembelajaran mesin. Dalam: Prosiding Konferensi Keadilan, Akuntabilitas, dan Transparansi 2020. 306-316.
Kamishima, T. , Akaho, S. , dan Sakuma, J. , 2011. Pembelajaran yang sadar akan keadilan melalui pendekatan regularisasi. In: 2011 IEEE 11th International Conference on Data Mining Workshops . IEEE, 643-650.
Kaya, A., dkk., 2019. Analisis pembelajaran transfer untuk model klasifikasi tanaman berbasis jaringan syaraf tiruan. Komputer dan Elektronika dalam Pertanian, 158, 20-29.
Kilbertus, N., dkk. , 2018. Keadilan buta: Keadilan dengan atribut sensitif terenkripsi. In: Konferensi Internasional Pembelajaran Mesin . PMLR, 2630-2639.
Krizhevsky, A. , Sutskever, I. , dan Hinton, G.E. , 2012. Klasifikasi imagenet dengan jaringan saraf konvolusi dalam. Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 25, 1097-1105.
Kulldorff, M., dkk. , 2007. Statistik pemindaian multivariat untuk pengawasan penyakit. Statistics in Medicine, 26 (8), 1824-1833.
Li, Z., dkk., 2023. Pembelajaran bersama antar wilayah untuk pemetaan kemiskinan dengan resolusi tinggi menggunakan citra satelit. In: Konferensi AAAI tentang Kecerdasan Buatan.
Liu, X.P., dkk. , 2019. Penilaian risiko menggunakan pembelajaran transfer untuk kebakaran padang rumput. Meteorologi Pertanian dan Hutan, 269, 102-111.
Ma, J., dkk., 2019. Meningkatkan akurasi prediksi kualitas udara pada resolusi temporal yang lebih besar menggunakan teknik deep learning dan transfer learning. Lingkungan Atmosfer, 214, 116885.
Mai, G. , dkk. , 2022. Tinjauan pengkodean lokasi untuk geoai: metode dan aplikasi.
Jurnal Internasional Ilmu Informasi Geografi, 36 (4), 639-673.
Mehrabi, N., dkk., 2021. Survei tentang bias dan keadilan dalam pembelajaran mesin. ACM Computing Surveys (CSUR), 54 (6), 1-35.
Morales, A., dkk., 2020. Sensitivitas jaringan: Mempelajari representasi agnostik dengan penerapan pada gambar wajah. IEEE Transactions on Pattern Analysis and Machine Intelligence, 43 (6), 2158- 2164.
Society, 74 (2), 337-360.
Neill, D.B. , McFowland III, E. , dan Zheng, H. , 2013. Pemindaian subset cepat untuk deteksi kejadian multivariat. Statistics in Medicine, 32 (13), 2185-2208.
NPR , 2019. Mahkamah Agung memutuskan bahwa gerrymandering partisan berada di luar jangkauan pengadilan federal.
Pan, S.J., dkk. , 2010. Adaptasi domain melalui analisis komponen transfer. IEEE Transactions on Neural Networks, 22 (2), 199-210.
Pan, S.J. dan Yang, Q. , 2009. Sebuah survei tentang pembelajaran transfer. IEEE Transactions on Knowledge and Data Engineering, 22 (10), 1345-1359.
Serna, I., dkk., 2020. Kehilangan sensitivitas: Meningkatkan akurasi dan keadilan representasi wajah dengan pembelajaran mendalam yang sadar akan diskriminasi. arXiv preprint arXiv:2004.11246.
Shekhar, S. , Feiner, S.K. , dan Aref, W.G. , 2015. Komputasi spasial. Communications of ACM, 59 (1), 72-81.
Shekhar, S. dan Xiong, H. , 2007. Encyclopedia of gis (Ensiklopedia Sistem Informasi Geografis).
Springer Science & Business Media. Steed, R. dan Caliskan, A. , 2021. Representasi gambar yang dipelajari dengan pelatihan awal tanpa pengawasan mengandung bias seperti manusia. In:
Prosiding Konferensi ACM 2021 tentang Keadilan, Akuntabilitas, dan Transparansi . 701-713.
Sweeney, C. dan Najafian, M. , 2020. Mengurangi polaritas sentimen untuk atribut demografis dalam sematan kata menggunakan pembelajaran lawan. Dalam: Prosiding Konferensi Keadilan,
Akuntabilitas, dan Transparansi 2020. 359-368.
Vilalta, R. dan Drissi, Y. , 2002. Sebuah pandangan perspektif dan survei tentang meta-learning.
Artificial Intelligence Review, 18 (2), 77-95.
Wang, M. dan Deng, W. , 2018. Adaptasi domain visual yang mendalam: Sebuah survei.
Neurocomputing, 312, 135-153.
Wei, Z., dkk. , 2021. Pemetaan sungai skala besar menggunakan pembelajaran kontras dan citra satelit multi sumber. Penginderaan Jauh, 13 (15), 2893.
Xie, Y., dkk., 2023a. Memanfaatkan heterogenitas dalam ruang dengan meta-pembelajaran yang dipandu secara statistik. Pengetahuan dan Sistem Informasi, 65, 2699-2729.
Xie, Y., dkk., 2021a. Transformasi jaringan dalam yang dipandu secara statistik dan kerangka kerja moderasi untuk data dengan heterogenitas spasial. Dalam: Konferensi Internasional IEEE 2021 tentang Penambangan Data (ICDM) . IEEE, 767-776.
Xie, Y., dkk. , 2022a. Transformasi jaringan dalam yang dipandu secara statistik untuk
memanfaatkan heterogenitas dalam ruang (abstrak yang diperluas). Dalam: L.D. Raedt, ed. (ed.).
Prosiding Konferensi Gabungan Internasional Ketiga Puluh Satu tentang Kecerdasan Buatan , IJCAI-22, 7, 5364-5368.
Xie, Y., dkk., 2022b. Keadilan berdasarkan "di mana": Kerangka kerja pembelajaran dua tingkat yang kuat secara statistik dan model-agnostik. Prosiding Konferensi AAAI tentang Kecerdasan Buatan, 36 (11), 12208-12216.
Xie, Y., dkk., 2021b. Jaringan spasial: Kerangka kerja pembelajaran mendalam yang adaptif dan model-agnostik untuk dataset yang heterogen secara spasial. Dalam: Prosiding Konferensi Internasional ke-29 tentang Kemajuan dalam Sistem Informasi Geografis . 313-323.
Xie, Y., dkk., 2023b. Auto-cm: Pembelajaran mendalam tanpa pengawasan untuk komposisi citra satelit dan penyamaran awan menggunakan dinamika spatio-temporal. Dalam: Konferensi AAAI tentang Kecerdasan Buatan.
Xie, Y. , Shekhar, S. , dan Li, Y. , 2022c. Teknik pengelompokan yang kuat secara statistik untuk memetakan titik panas spasial: Sebuah survei. ACM Computing Surveys (CSUR ), 55 (2), 1-38.
Yan, A. dan Howe, B. , 2019. Fairst: Prediksi permintaan spasial dan temporal yang adil untuk sistem mobilitas baru. Dalam: Prosiding Konferensi Internasional ACM SIGSPATIAL ke-27 tentang
Kemajuan dalam Sistem Informasi Geografis . 552-555.
Yang, K., dkk., 2020. Menuju dataset yang lebih adil: Memfilter dan menyeimbangkan distribusi sub- pohon orang dalam hierarki imagenet. Dalam: Prosiding Konferensi Keadilan, Akuntabilitas, dan Transparansi 2020. 547-558.
Yao, H., dkk., 2019. Belajar dari beberapa kota: Pendekatan meta-learning untuk prediksi spasial- temporal. Dalam: Konferensi World Wide Web. 2181-2191.
Yuan, Z. , Zhou, X. , dan Yang, T. , 2018. Hetero-convlstm: Pendekatan pembelajaran mendalam untuk prediksi kecelakaan lalu lintas pada data spatio-temporal yang heterogen. In: Prosiding Konferensi Internasional ACM SIGKDD ke-24 tentang Penemuan Pengetahuan & Penambangan Data . 984-992.
pembelajaran tanpa perlakuan yang berbeda. Dalam: Prosiding Konferensi Internasional ke-26 tentang World Wide Web . 1171-1180.
Zhang, H. dan Davidson, I. , 2021. Menuju deteksi anomali dalam yang adil. Dalam: Prosiding Konferensi ACM 2021 tentang Keadilan, Akuntabilitas, dan Transparansi . 138-148.