Files

2026-03-19 02:28:50 +08:00

52 KiB

Raw Blame History

第二章：时空表征学习基础与统一分析框架——写作脉络细化与参考文献池（2.1–2.4）

执行摘要

第二章的目标不是“方法堆叠”，而是用可被学科评阅者理解与认可的知识谱系，把你的博士论文主线自然收束到一个“统一分析框架”：城市/地理时空数据天然具有多源异构、结构依赖、多尺度动态与多任务目标共存等特性，导致在基础模型/大语言模型（LLM）时代，传统“均匀适配（uniform adaptation）”往往难以同时兼顾多任务协同、位置结构一致性、跨尺度模式与跨源泛化，因此需要以结构角色信息为条件，对模型内部不同层级对象施加非均匀、结构感知的表示调制。这一叙事可以以城市计算权威综述作为学科起点，并与近两年兴起的城市/地图/遥感等LLM评测与基准化趋势相衔接，从而为后续章节（模块级、维度级、频谱级、参数级）逐级实例化提供“理论导轨”。citeturn0search0turn0search4turn0search3turn7search3

在具体写作上，建议第二章采用“三段式收束”：
第一段（2.1）给出时空数据类型—任务谱系—传统统计建模根基—深度表征学习演进；第二段（2.2）以Transformer为核心解释基础模型表征机制，并明确你的统一符号体系与“直觉先行、公式随后”的形式化策略；第三段（2.3–2.4）总结**适配方法库（PEFT/多任务/频谱/结构搜索）与评测基础设施（数据集、仿真、自动化benchmark）**的现状与缺口，形成“方法—数据—系统”闭环动机。citeturn1search1turn1search2turn1search3turn1search0turn6search3turn0search3

统一分析框架与写作总体策略

本章应在概念层面完成两件事：
一是把“时空结构异质性”拆解为可分层、可映射、可导向方法设计的分析框架；二是给出一个足够轻量、但能贯穿全文的形式化母式，使第三至第六章可以被读者自然理解为“对同一母式在不同结构层级上的实例化”。城市计算综述对“异构数据—知识融合—城市任务多样性”的系统总结，为你建立问题空间提供权威起点。citeturn0search0turn0search4

建议在第二章中部（2.2末或2.3开头前）给出“结构角色感知调制”的母式（不做复杂证明，只给直觉解释）：
[ \tilde{\mathbf{Z}}=\mathcal{M}{\theta}\left(\mathbf{Z};\mathbf{X},\mathcal{R}\right) ]
其中(\mathbf{Z})是被调制对象（注意力输出表示、Q/K子空间、参数更新频谱、参数拓扑等），(\mathbf{X})为输入上下文，(\mathcal{R})为结构角色信息（模块/维度/频谱/参数结构），(\mathcal{M}{\theta})表示结构感知的非均匀变换算子。该形式化的“必要性直觉”应来自：时空任务的结构依赖与多尺度动态使模型内部贡献呈现非均匀性；而在Transformer体系中，位置编码与自注意力机制进一步强化了这种非均匀与各向异性，因此“均匀更新”并非合理默认。citeturn10search0turn10search1turn10search7turn10search3

flowchart LR
  A[时空数据的结构异质性] --> B1[模块级：多任务功能/知识路由]
  A --> B2[维度级：位置结构依赖与各向异性]
  A --> B3[频谱级：多尺度动态与更新频率结构]
  A --> B4[参数级：多源差异与容量分配/共享-特有结构]

  C[结构角色信息 R]:::k
  B1 --> C
  B2 --> C
  B3 --> C
  B4 --> C

  D[被调制对象 Z] --> E[结构感知调制算子 M_θ(Z; X, R)]
  C --> E
  F[输入上下文 X] --> E

  E --> G[统一适配机制：非均匀/结构条件化变换]
  G --> H[第三章：模块级实例化（HyCAM）]
  G --> I[第四章：维度级实例化（RoSA/DyPAM）]
  G --> J[第五章：频谱+参数实例化（CASCADE/MESSA）]
  G --> K[第六章：基准与系统闭环（AgentCity/POI-QA）]

  classDef k fill:#eef,stroke:#99f,stroke-width:1px;

写作建议句式/段落要点（可直接入正文）

“城市时空任务的关键难点并不在于‘数据量大’，而在于其结构性：空间依赖、时间动态、尺度效应与多源异构共同作用，使得模型需要在多层级结构上实现自适应对齐与容量分配。”citeturn0search4turn0search1
“因此，本论文将大模型适配理解为‘结构角色条件化的表示调制问题’，并在模块、维度、频谱与参数结构四个层级给出统一实例化路径。”（本句为论文观点，可不引文）

盲审风险点与修改建议

风险：母式公式“突然出现”、显得为了统一而统一。
建议：严格遵循“直觉先行→概念抽象→轻量公式”的顺序，并在引出公式前用1–2段把“均匀适配不足”的证据链讲清楚（可引用Transformer位置编码与各向异性分析工作作为背景）。citeturn10search7turn10search0turn10search1
风险：第二章写成LLM科普。
建议：每一小节都要回扣“时空结构需求驱动”，不要以“为了改进LLM”为叙事主轴。citeturn0search4

2.1 时空数据建模与表征学习研究（2.1.1–2.1.4）

2.1.1 时空数据建模问题类型与应用场景

核心问题
如何建立“任务谱系”，并把任务谱系与“结构异质性”（多任务/位置依赖/多尺度/多源差异）对应起来？

写作要点
建议用城市计算权威综述作为总论：数据类型（轨迹、传感器、地理要素、社交与事件等）、关键方法论（异构数据融合、知识融合）、典型应用（交通、环境、能源、公共安全、城市规划等）。该综述可作为第二章开篇“学科根基”的主引文。citeturn0search0turn0search4
并在段末加入“LLM时代的新任务形态”：地图推理、POI/轨迹问答、GIS工作流、城市智能体仿真评测等，为2.4铺垫。citeturn6search1turn6search3turn0search3turn7search3

建议引用点

城市计算的任务与数据总体框架。citeturn0search4
“地图推理/工具调用/城市基准化评测”作为新趋势（MapEval、CityBench、OpenCity）。citeturn6search1turn0search3turn7search3

代表性工作（本节建议优先精读，完整信息）

entity["people","Yu Zheng","urban computing"] 等（2014）. Urban Computing: Concepts, Methodologies, and Applications. ACM TIST. DOI:10.1145/2629592（ACM DOI页/微软PDF均可作为官方入口）。citeturn0search0turn0search4
entity["people","Jie Feng","urban benchmark"] 等（2024）. CityBench: Evaluating the Capabilities of Large Language Models for Urban Tasks. arXiv:2406.13945（含开源仓库信息）。citeturn0search3turn0search19
entity["people","Mahir Labib Dihan","geospatial benchmark"] 等（2024）. MapEval: A Map-Based Evaluation of Geo-Spatial Reasoning in Foundation Models. arXiv:2501.00316。citeturn6search1turn6search5
entity["people","Noel Cressie","spatiotemporal statistics"] , entity["people","Christopher K. Wikle","spatiotemporal statistics"]（2011）. Statistics for Spatio-Temporal Data. Wiley. ISBN:9780471692744。citeturn0search1

扩展文献列表（本节补充，题目/作者/年/来源即可）

Goodchild, M. F.（2007）. Citizens as sensors: the world of volunteered geography. GeoJournal. DOI：未检索到。
Miller, H. J.（2005）. A measurement theory for time geography. Geographical Analysis. DOI：未检索到。
Shekhar, S. 等（2015/2011）. Spatial and Spatiotemporal Data Mining（教材/综述章节）. DOI/ISBN：未检索到。
王劲峰等（空间统计/空间分析方向综述与教材条目，中文）. DOI：未检索到（建议后续以期刊官网/出版社条目补齐）。
2024《中国空间数据智能战略发展白皮书》（中文报告）. 链接/DOI：未检索到（建议在参考文献中保留发布机构与获取日期）。

写作建议句式/段落要点

“城市计算从一开始就是‘多源异构数据驱动的复杂系统建模’，其难点在于将离散观测转化为可用于理解与决策的结构化知识。”citeturn0search4
“从预测到推理再到交互式决策的任务形态演进，使得评测对象从静态指标扩展为任务可完成性与结构一致性。”citeturn0search3turn6search1

盲审风险点与修改建议

风险：只列应用场景，缺少“结构化归因”。
建议：在2.1.1末尾用一段显式映射：多任务→功能异质性；位置/几何→结构依赖；周期+突发→多尺度动态；跨源→分布差异，为2.1.4做铺垫。citeturn0search4

2.1.2 传统时空建模方法

核心问题
如何用统计学与地理空间数据科学的经典脉络，奠定“结构异质性”讨论的学理基础？

写作要点
建议以“空间自相关/空间异质性”“时空随机过程与层次模型”“空间点过程/地统计”三条主线组织，强调传统方法的优势：可解释性、可不确定性表达、对空间依赖的显式建模。Cressie & Wikle教材是“时空统计+层次动态模型”权威入口。citeturn0search1
同时，用地理学第一定律、局部空间自相关（LISA）与Getis-Ord统计量作为“空间依赖与热点”经典引用点。citeturn9search1turn9search0turn9search3

建议引用点

Tobler位置依赖的经典表述（第一定律常以该文作为引用入口）。citeturn9search1turn9search9
LISA与Getis-Ord热点统计。citeturn9search0turn9search3
时空统计教材对DSTM/层次模型的系统阐释。citeturn0search1

代表性工作（完整信息）

Cressie, N. & Wikle, C. K.（2011）. Statistics for Spatio-Temporal Data. Wiley. ISBN:9780471692744。citeturn0search1
entity["people","Waldo R. Tobler","geography"]（1970）. A Computer Movie Simulating Urban Growth in the Detroit Region. Economic Geography. DOI:10.2307/143141。citeturn9search1turn9search21
entity["people","Luc Anselin","spatial econometrics"]（1995）. Local Indicators of Spatial Association—LISA. Geographical Analysis. DOI:10.1111/j.1538-4632.1995.tb00338.x。citeturn9search0turn9search8

扩展文献列表

Moran, P. A. P.（1950）. Notes on Continuous Stochastic Phenomena（Moran’s I源头）. DOI：未检索到。
Getis, A. & Ord, J. K.（1992）. The Analysis of Spatial Association by Use of Distance Statistics. Geographical Analysis. DOI:10.1111/j.1538-4632.1992.tb00261.x。citeturn9search3turn9search7
Cressie, N.（1993）. Statistics for Spatial Data（Revised Ed.）. Wiley. ISBN:9780471843368（ISBN来源可从出版社页补齐，DOI：未检索到）。citeturn9search22turn9search6
Kalman, R. E.（1960）. A New Approach to Linear Filtering and Prediction Problems. ASME Journal of Basic Engineering. DOI：未检索到。
Diggle, P. J. 等（若干版）. Model-based Geostatistics 与空间点过程教材/综述（地统计与点过程经典入口）。DOI：未检索到。

写作建议句式/段落要点

“传统时空统计通过显式刻画空间相关与时间动态，为复杂时空过程提供了可解释的建模语言；其思想可被视为后续深度表征学习‘结构归纳偏置’的理论先导。”citeturn0search1turn9search0

盲审风险点与修改建议

风险：把传统方法写成“落后/不可用”。
建议：强调其优势（推断、不确定性、解释性），再指出在多源异构与大规模场景下的计算与表达瓶颈，形成“需求驱动”的自然过渡。citeturn0search1

2.1.3 深度学习驱动的时空表征学习方法

核心问题
深度时空建模如何从“模型堆叠”升级为“结构归纳偏置”的系统演进？如何形成交通预测等领域的经典基准脉络？

写作要点
建议按三条结构载体写：

栅格/场：时空卷积与ConvLSTM等序列-空间耦合；
图结构：STGNN成为交通预测主流范式，形成DCRNN、Graph WaveNet等经典基线；
长序列：时序Transformer（Informer/Autoformer等）解决长预测步长与效率问题。citeturn3search3turn3search2turn1search2turn1search3
交通预测GNN综述（Jiang）可作为本节“堆量与脉络化”的核心总引文之一（同时给出数据集清单与方法谱系）。citeturn0search10turn0search2

建议引用点

DCRNN对“路网扩散过程+时序依赖”的经典建模思路。citeturn3search3turn3search15
Graph WaveNet对“自适应邻接+长序列卷积”的经典范式。citeturn3search2turn3search6
Informer/Autoformer对长序列预测的关键痛点总结。citeturn1search2turn1search3

代表性工作（完整信息）

entity["people","Xingjian Shi","convlstm"] 等（2015）. Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting. arXiv:1506.04214（链接：未检索到；建议后续补arXiv页）。
entity["people","Yaguang Li","traffic forecasting"] 等（2017）. Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting. arXiv:1707.01926。citeturn3search3turn3search15
entity["people","Zonghan Wu","stgnn"] 等（2019）. Graph WaveNet for Deep Spatial-Temporal Graph Modeling. arXiv:1906.00121。citeturn3search2turn3search6
entity["people","Wenjie Jiang","stgnn survey"]（2022）. Graph neural network for traffic forecasting: A survey. Expert Systems with Applications. DOI:10.1016/j.eswa.2022.117921。citeturn0search10turn0search6
entity["people","Haoyi Zhou","time series forecasting"] 等（2020/2021）. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. arXiv:2012.07436（AAAI版本PDF亦可引用）。citeturn1search2turn1search6

扩展文献列表

Yu, B. 等（2018）. STGCN: Spatio-Temporal Graph Convolutional Networks. IJCAI. DOI：未检索到。
Li, Z. 等（2018）. Diffusion Convolutional Recurrent Neural Network（会议版OpenReview PDF）。citeturn3search15
Zhang, J. 等（2017）. ST-ResNet（城市人群流量预测）. AAAI. DOI：未检索到。
Wu, H. 等（2021）. Autoformer. arXiv:2106.13008。citeturn1search3turn1search15
Zheng, C. 等（2024/2025）. 生成式时空数据挖掘综述（Generative Techniques Survey）. arXiv:2405.09592。citeturn0search?（本次未固定到该条目页；可在后续补检索）

写作建议句式/段落要点

“深度时空表征学习的演进可被理解为对结构载体的逐步显式化：从局部时空卷积到图结构传播，再到长上下文建模，方法差异背后共同指向对时空依赖、尺度与异质性的不同归纳偏置实现。”citeturn3search3turn3search2turn1search2

盲审风险点与修改建议

风险：把STGNN与时序Transformer写成两条孤立脉络。
建议：用“结构载体不同、结构目标一致”的总结句收束（都在解决空间依赖×时间动态×尺度变化）。citeturn1search2turn3search2

2.1.4 时空建模中的结构复杂性问题

核心问题
如何把“复杂性”写成可操作的四类异质性，并导向你的模块/维度/频谱/参数四级框架？

写作要点
建议用“四类异质性→建模后果→适配需求”三句式：

多任务功能异质性→负迁移/容量竞争→路由与专门化；
位置结构依赖→几何/拓扑一致性→各向异性位置/维度调制；
多尺度动态→趋势/周期/突发共存→频谱分解与多尺度更新；
多源差异→跨域泛化困难→容量分配与共享-特有结构发现。
中文综述可用于“国内学科脉络”支撑：测绘学报的多模态时空大数据可视分析综述与地球信息科学学报的自然资源时空大数据挖掘进展，分别从可视分析与资源领域给出结构复杂性证据。citeturn5search4turn5search0

建议引用点

多模态、多粒度与复杂关联的系统性描述。citeturn5search4
自然资源时空大数据的要素分布、过程演化与关联知识挖掘难点。citeturn5search0
作为“现实约束”补充：时空数据挖掘中的联邦学习综述（隐私与分布式带来的跨源差异强化）。citeturn0search?（本次未固定到联邦学习综述条目页；可后续补检索）

代表性工作（完整信息）

（中文）entity["people","Zhu Qing","cartography"] 等（2017）. 多模态时空大数据可视分析方法综述. 《测绘学报》. DOI：未检索到（可在期刊官网补齐）。citeturn5search4
（中文）自然资源时空大数据挖掘与知识服务研究进展（2025）. 《地球信息科学学报》. DOI:10.12082/dqxxkx.2025.240625。citeturn5search0

扩展文献列表

（中文）entity["people","Deng Min","geospatial big data"] 等（2020）. 多模态地理大数据时空分析方法. 《地球信息科学学报》. DOI:10.12082/dqxxkx.2020.190491。citeturn5search11
Zhang, Q. 等（2024）. A Survey of Generative Techniques for Spatial-Temporal Data Mining. arXiv:2405.09592（建议补检索）。
（中文）地球信息科学学报专题“地理大数据与空间智能”（多篇可扩展引用入口）。citeturn5search6turn5search13
（中文）遥感数据智能：进展与思考（2025）. 《地球信息科学学报》（可从过刊目录补齐条目与DOI）。citeturn5search13

写作建议句式/段落要点

“结构复杂性意味着模型内部并非各部分对任务同等重要：不同模块、不同维度与不同频率分量承载的功能贡献存在系统性差异，因此适配机制需要结构条件化与非均匀化。”citeturn10search7turn5search4

盲审风险点与修改建议

风险：异质性分类“像口号”。
建议：每一类至少给出一个“可观察后果”（例如负迁移、长程依赖失败、跨域性能塌陷），并指向后续章节的方法解决策略。citeturn0search10turn6search0turn6search1

2.2 基础模型与大语言模型表征机制研究（2.2.1–2.2.4）

2.2.1 Transformer 表示学习机制（含符号规范）

核心问题
如何用最少数学解释Transformer，并为后续“结构角色感知调制”留下接口？

写作要点
建议以Transformer原始论文为唯一“机制级主引文”，避免二手科普引用。citeturn1search1turn1search5
随后突出与时空任务强相关的三点：

注意力与前馈的“功能分工”与可路由性（为模块级角色铺垫）；
位置编码决定长序列外推与相对位置建模能力（为位置结构依赖铺垫）；
表示各向异性可能内生于自注意力机制（为维度级角色铺垫）。citeturn10search0turn10search1turn10search3

建议引用点

Transformer原始论文。citeturn1search1
RoPE与ALiBi作为两类位置机制代表。citeturn10search0turn10search1
各向异性分析作为“均匀更新不足”的机制侧证据。citeturn10search3turn10search11

代表性工作（完整信息）

entity["people","Ashish Vaswani","transformer"] 等（2017）. Attention Is All You Need. NeurIPS. arXiv:1706.03762。citeturn1search1turn1search9
entity["people","Jianlin Su","rope"] 等（2021）. RoFormer: Enhanced Transformer with Rotary Position Embedding. arXiv:2104.09864。citeturn10search0turn10search4
entity["people","Ofir Press","alibi"] 等（2021）. Train Short, Test Long: Attention with Linear Biases Enables Input Length Extrapolation (ALiBi). arXiv:2108.12409。citeturn10search1turn10search5
entity["people","Nathan Godey","representation anisotropy"] 等（2024）. Anisotropy Is Inherent to Self-Attention in Transformers. EACL 2024. arXiv:2401.12143。citeturn10search3turn10search7

扩展文献列表

Bahdanau, D. 等（2015）. Neural Machine Translation by Jointly Learning to Align and Translate（注意力源头之一）. arXiv:1409.0473。
Kaplan, J. 等（2020）. Scaling Laws for Neural Language Models. arXiv:2001.08361。
RoPE/ALiBi之外的长上下文位置机制综述与实证（2023–2025多篇，按需补）。
Transformer解释性与注意力头分析（选2–3篇即可，避免泛滥）。

符号与概念（建议直接写入2.2.1末尾，并在论文前置“符号表”固化）

输入时空样本：(\mathbf{X}=(x_1,\ldots,x_T))
第(\ell)层隐藏表示：(\mathbf{H}^{(\ell)}\in\mathbb{R}^{T\times d})
注意力：(\mathbf{Q}^{(\ell)},\mathbf{K}^{(\ell)},\mathbf{V}^{(\ell)})，多头：(\mathbf{Q}^{(\ell,h)})
索引统一：层(\ell)、头(h)、维度(i)、token(t)、任务(\tau)
全文禁用混乱符号复用（例如用(k)表示层、用(i)表示token等），避免“论文合集感”。

写作建议句式/段落要点

“Transformer的可迁移性源于其以注意力为核心的通用表征骨干，但时空任务所需的相对位置、长程依赖与结构一致性，使得位置机制与结构化适配策略成为关键。”citeturn1search1turn10search0turn10search1

盲审风险点与修改建议

风险：2.2.1写成“Transformer教科书”。
建议：所有机制描述都要落回时空需求（位置/尺度/多任务），并为后续章节埋接口（模块/维度/频谱/参数）。citeturn0search4

2.2.2 预训练基础模型与表示迁移学习

核心问题
预训练迁移为何有效？在时空任务上为何又经常“迁移不足”？

写作要点
用BERT作为预训练迁移的经典锚点即可，再转向时间序列基础模型的系统综述，说明“Foundation model”思想已从文本扩展到时序域，但结构输入差异与评测目标差异会带来迁移挑战。citeturn10search2turn1search2turn6search3

建议引用点

BERT：预训练—微调范式的经典权威入口。citeturn10search2turn10search6
时间序列基础模型/综述：说明“时序域也在发生foundation化”。citeturn6search?（本次未固定到TS综述条目页；可后续补检索）

代表性工作（完整信息）

entity["people","Jacob Devlin","bert"] 等（2018）. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv:1810.04805。citeturn10search2turn10search6
entity["people","Abdul Fatir Ansari","chronos"] 等（2024）. Chronos: Learning the Language of Time Series. arXiv:2403.07815（本次未固定到条目页；建议后续补检索）。

扩展文献列表

（时间序列基础模型综述）Foundation Models for Time Series Analysis. arXiv:2403.14735（建议补检索）。
Ye, J. 等（2024）. Survey of Time Series Foundation Models. arXiv:2405.02358（建议补检索）。
TimesFM（Google Research开源仓库：google-research/timesfm；官方页可作为工程入口）。
Moirai/lag-llama等开源时序基础模型（按综述批量列举）。

写作建议句式/段落要点

“预训练迁移的核心假设是跨任务可共享的中间表征；时空任务的结构性输入与多尺度动态使‘共享表征’需要结构化对齐，而非仅依赖均匀微调。”（观点句，可不引文）

盲审风险点与修改建议

风险：把“时间序列基础模型”与“LLM”混用概念。
建议：统一称“基础模型（foundation models）”，必要时区分“语言基础模型”“时序基础模型”“多模态基础模型”。

2.2.3 大语言模型在复杂任务建模中的潜力

核心问题
如何把“潜力”写成可评测的能力维度，而不是愿景？

写作要点
建议拆成三类可评测能力：
(1) 地理知识可提取性；(2) 推理一致性（几何/拓扑/时空约束）；(3) 工具/工作流可执行性。GeoFM观点文章可用来把“Geo foundation models”放回GIScience语境；GeoAnalystBench可作为“工作流与代码生成”评测载体。citeturn6search16turn6search3

建议引用点

GeoFM观点：基础模型将如何重塑空间分析（期刊观点文易被盲审接受）。citeturn6search16
GeoAnalystBench：把GIS工作流“最小可交付产物”与代码质量纳入评测。citeturn6search3turn6search11

代表性工作（完整信息）

entity["people","Krzysztof Janowicz","geofm"]（2025）. GeoFM: how will geo-foundation models reshape spatial analysis? International Journal of Geographical Information Science. DOI:10.1080/13658816.2025.2543038。citeturn6search16

扩展文献列表

Manvi, R. 等（2023/2024）. GeoLLM: Extracting Geospatial Knowledge from LLMs. arXiv:2310.06213（建议补检索）。
GIS/GeoAI工具调用与智能体评测（2024–2026持续增长，建议优先选择“可复现benchmark论文”而非应用demo）。

写作建议句式/段落要点

“LLM在时空任务中的价值应被分解为可评测的能力维度：知识、推理与可执行工作流；其中‘可执行性’是从生成式输出走向工程可用的关键门槛。”citeturn6search3

盲审风险点与修改建议

风险：用过多“热门模型名”替代学术论证。
建议：用benchmark论文承载结论，模型只在实验对比中出现。

2.2.4 大模型在时空智能领域的初步探索

核心问题
2024–2026年哪些工作可视为“时空/GeoAI×LLM”的标志性进展（特别是评测与基准）？

写作要点
建议按任务形态分类综述：

城市任务基准：CityBench；城市智能体仿真平台：OpenCity。citeturn0search3turn7search3
地图推理benchmark：MapEval（文本/API/视觉三形态），MapVerse（2026，真实地图大规模人类标注）。citeturn6search1turn6search2
遥感与地球观测VLM基准：GEOBench‑VLM。citeturn7search0turn7search4
GIS工作流评测：GeoAnalystBench。citeturn6search3

建议引用点

“评测范式从静态数据集走向交互式模拟/工具链”。citeturn0search3turn7search3turn6search3

代表性工作（完整信息）

Feng, J. 等（2024）. CityBench. arXiv:2406.13945。citeturn0search3turn0search19
entity["people","Yuwei Yan","urban simulation"] 等（2024）. OpenCity: A Scalable Platform to Simulate Urban Activities with Massive LLM Agents. arXiv:2410.21286。citeturn7search3turn7search7
Dihan, M. L. 等（2024）. MapEval. arXiv:2501.00316。citeturn6search1turn6search5

扩展文献列表

Han, X. 等（2025）. POI‑QA. arXiv:2505.10928。citeturn6search0turn6search12
Danish, M. S. 等（2024/2025）. GEOBench‑VLM. arXiv:2411.19325；ICCV 2025论文PDF。citeturn7search0turn7search4
Bhat, S. 等（2026）. MapVerse. arXiv:2602.10518。citeturn6search2turn6search6
Truong, T. H. 等（2026）. GPSBench. arXiv:2602.16105。citeturn7search2turn7search10
Xu, Z. 等（2026）. EarthSpatialBench. arXiv:2602.15918。citeturn7search1turn7search9
Zhang, Q. 等（2025）. GeoAnalystBench. arXiv:2509.05881。citeturn6search3turn6search11

写作建议句式/段落要点

“2024年以来，一批面向城市/地图/遥感/工作流的评测基准出现，标志着GeoAI进入‘以benchmark驱动方法迭代’的新阶段，并为结构化适配研究提供了可复现试验场。”citeturn0search3turn6search1turn7search0turn6search3

盲审风险点与修改建议

风险：只列新基准，但不指出“它们测不到什么”。
建议：每列一个基准，都补一句其局限性与对你论文方法的启发（如MapEval偏MCQ、OpenCity强调系统缩放等）。citeturn6search1turn7search3

2.3 参数高效适配与结构建模方法研究（2.3.1–2.3.5）

2.3.1 参数高效微调方法（PEFT）

核心问题
如何把PEFT写成“适配范式入口”，并明确其在结构异质性时空任务上的不足？

写作要点
以PEFT总综述作为taxonomy入口，强调“冻结主干+训练小增量”的共同思想，并指出多数PEFT默认均匀作用于层/维度，结构利用不足。citeturn1search0turn2search0
再给出三个强基线：Adapters、LoRA、QLoRA，并补“软提示/Prompt tuning”。citeturn2search2turn2search0turn2search1turn2search3

建议引用点

PEFT指南综述（覆盖50+论文，适合第二章堆量）。citeturn1search0turn1search12
LoRA与QLoRA作为最常用基线（时空任务对比更容易统一）。citeturn2search0turn2search1

代表性工作（完整信息）

entity["people","Vladislav Lialin","peft survey"] 等（2023/2024）. Scaling Down to Scale Up: A Guide to Parameter-Efficient Fine-Tuning. arXiv:2303.15647（v2更新至2024-11）。citeturn1search0turn1search12
entity["people","Neil Houlsby","adapters"] 等（2019）. Parameter-Efficient Transfer Learning for NLP (Adapters). arXiv:1902.00751；PMLR论文PDF可作为官方入口。citeturn2search2turn2search6
Hu, E. J. 等（2021）. LoRA: Low-Rank Adaptation of Large Language Models. arXiv:2106.09685（官方实现：entity["company","Microsoft","software company"] / GitHub microsoft/LoRA）。citeturn2search0turn2search4
Dettmers, T. 等（2023）. QLoRA: Efficient Finetuning of Quantized LLMs. arXiv:2305.14314。citeturn2search1turn2search5

扩展文献列表

Lester, B. 等（2021）. Prompt Tuning. arXiv:2104.08691；ACL Anthology页可作入口。citeturn2search3turn2search7
Li, X. & Liang, P.（2021）. Prefix-Tuning（arXiv:2101.00190，建议补检索）。
IA³（2022）. Infused Adapter by Inhibiting and Amplifying Inner Activations（arXiv:2205.05638，建议补检索）。
BitFit（2021）. Fine-Tuning by Bias-Only updates（arXiv:2106.10199，建议补检索）。
PEFT工程实践与库：HuggingFace PEFT（官方页与仓库，URL不在正文给出；可在参考文献中以“官方项目页”列出）。

写作建议句式/段落要点

“PEFT将‘适配’从全参数优化转为小增量学习，为多任务与多场景部署提供现实可行性；但其典型形式仍隐含‘结构均匀性’假设，这与城市时空任务的结构角色异质性存在张力。”citeturn1search0turn2search0

盲审风险点与修改建议

风险：PEFT内容过长抢走论文主线。
建议：PEFT只承担“基线与范式入口”角色，写完立刻回扣你的“结构感知非均匀调制”。citeturn1search0

2.3.2 多任务学习与知识路由机制

核心问题
多任务学习为何困难？路由/专家化为何是结构异质性下的自然选择？

写作要点
建议从Caruana经典多任务学习引出“共享表征”的归纳偏置，再说明多任务优化存在梯度冲突（PCGrad），最后引出MoE/Switch作为模块级路由与容量扩展路线。citeturn11search2turn11search3turn11search0turn11search1

建议引用点

多任务学习经典理论框架（Caruana）。citeturn11search2turn11search6
梯度冲突与缓解（PCGrad）。citeturn11search3turn11search7
MoE与Switch Transformer作为“动态路由”代表。citeturn11search0turn11search1

代表性工作（完整信息）

entity["people","Rich Caruana","multitask learning"]（1997）. Multitask Learning. Machine Learning. DOI:10.1023/A:1007379606734。citeturn11search2turn11search6
entity["people","Noam Shazeer","mixture of experts"] 等（2017）. Outrageously Large Neural Networks: The Sparsely-Gated Mixture-of-Experts Layer. arXiv:1701.06538。citeturn11search0turn11search4

扩展文献列表

Fedus, W. 等（2021/2022）. Switch Transformers. arXiv:2101.03961；JMLR论文PDF也可引用。citeturn11search1turn11search5
Yu, T. 等（2020）. PCGrad. arXiv:2001.06782；NeurIPS论文PDF也可引用。citeturn11search3turn11search7
PLE（2020）. Progressive Layered Extraction for Multi-Task Learning（工业界多任务结构代表，DOI：未检索到）。
GradNorm / MGDA 等多任务优化方法（按需列举即可）。

写作建议句式/段落要点

“多任务学习的难点不在于‘任务多’，而在于任务梯度在共享参数上产生结构性干扰；因此‘共享-特有结构’与‘动态路由’可被视为对多任务结构异质性的直接建模回应。”citeturn11search3turn11search0

盲审风险点与修改建议

风险：多任务内容写成NLP多任务史。
建议：每段结尾回扣城市多目标现实（交通—环境—能源等），并引用城市计算综述作为背景。citeturn0search4

2.3.3 表示各向异性与结构感知学习

核心问题
如何用“表征性质”而非“经验技巧”论证维度级非均匀适配的必要性？

写作要点
建议将2.2.1的机制侧证据（各向异性内生于自注意力）作为本节主支撑，然后补一个“时空/地理推理基准”作为行为侧证据：例如GPSBench指出LLM在坐标几何计算与世界知识结合上存在显著差异。citeturn10search7turn7search2

建议引用点

各向异性分析。citeturn10search3turn10search11
GPSBench对坐标推理能力拆分（几何计算 vs 世界知识）。citeturn7search2turn7search6

代表性工作（完整信息）

Truong, T. H. 等（2026）. GPSBench: Do Large Language Models Understand GPS Coordinates? arXiv:2602.16105。citeturn7search2turn7search10

扩展文献列表

Xu, Z. 等（2026）. EarthSpatialBench. arXiv:2602.15918。citeturn7search1turn7search9
MapEval（地图推理对结构一致性的压力测试）。citeturn6search1turn6search5
表征退化/各向异性相关的NLP与多模态分析论文（选2–3篇即可）。

写作建议句式/段落要点

“当任务需要以坐标、距离、方向与拓扑关系为核心的结构推理时，模型表征的各向异性与功能分化会直接影响可迁移性；这为维度级结构感知适配提供了机制与评测双重动机。”citeturn10search7turn7search2

盲审风险点与修改建议

风险：只谈各向异性，不谈其对时空任务的具体后果。
建议：用GPSBench/MapEval类基准点出失败模式（几何计算弱、图像地图理解难等），再引出你的维度级方法。citeturn7search2turn6search1

2.3.4 多尺度学习与频谱/小波建模方法

核心问题
如何把“多尺度动态”提升为可复用的方法语言：分解、频域稀疏性、小波/傅里叶结构？

写作要点
以Informer与Autoformer作为时序Transformer的两种典型路径（效率注意力 vs 分解+自相关结构），再以FEDformer作为“频域稀疏表示+专家机制”的代表，把频谱建模与结构化模块结合起来。citeturn1search2turn1search3turn3search0turn3search4
为对齐你的“频谱级适配”，可引用FEDformer中关于傅里叶/小波块作为注意力替代的设计动机（不必复述数学）。citeturn3search4turn3search12

建议引用点

Informer的长序列效率痛点。citeturn1search2turn1search6
Autoformer的分解式结构与自相关机制。citeturn1search3turn1search15
FEDformer将傅里叶/小波映射引入Transformer结构。citeturn3search0turn3search4turn3search12

代表性工作（完整信息）

Zhou, H. 等（2020/2021）. Informer. arXiv:2012.07436。citeturn1search2turn1search6
entity["people","Haixu Wu","autoformer"] 等（2021）. Autoformer. arXiv:2106.13008（NeurIPS 2021）。citeturn1search3turn1search15
entity["people","Tian Zhou","fedformer"] 等（2022）. FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting. arXiv:2201.12740；ICML 2022 PMLR论文PDF。citeturn3search0turn3search4

扩展文献列表

Lee-Thorp, J. 等（2021/2022）. FNet: Fourier token mixing. arXiv:2105.03824；NAACL 2022页。citeturn3search1turn3search5
小波STGNN实例：W‑DSTAGNN（2024）. arXiv:2407.04440。citeturn5search?（本次未固定到该条目页；可后续补检索）
Daubechies, I.（1992）. Ten Lectures on Wavelets. SIAM. ISBN：未检索到。
Mallat, S.（1999/2008）. A Wavelet Tour of Signal Processing. Academic Press. ISBN：未检索到。

写作建议句式/段落要点

“频谱视角为时空多尺度模式提供了统一刻画方式：低频对应全局趋势与周期结构，高频对应局部扰动与事件驱动变化；因此频域/小波结构在时空表征与参数更新建模中具有天然适配性。”citeturn3search4turn3search12

盲审风险点与修改建议

风险：写成信号处理教材。
建议：只写“为什么对时空有用、在深度模型中如何落地、对适配/更新结构有什么启发”，避免推导。citeturn3search12

2.3.5 模型结构优化与容量分配方法（NAS/剪枝/压缩）

核心问题
为何“结构可学习与容量可分配”是多任务与跨域适配的关键工具箱？

写作要点
用NAS（DARTS）说明结构搜索的代表性路线，再用LLM压缩综述作为“剪枝/量化/蒸馏”统一入口，并指出剪枝在LLM与适配场景中已形成成熟方法谱系（如Wanda）。citeturn4search0turn4search3turn4search15

建议引用点

DARTS：可微NAS的经典入口。citeturn4search0turn4search4
LLM压缩综述：强调剪枝/量化/蒸馏的系统性。citeturn4search3turn4search7
Wanda：无需重训的LLM剪枝代表。citeturn4search15

代表性工作（完整信息）

entity["people","Hanxiao Liu","darts"] 等（2018/2019）. DARTS: Differentiable Architecture Search. arXiv:1806.09055（ICLR 2019论文PDF亦可引用）。citeturn4search0turn4search4
Zhu, X. 等（2023）. A Survey on Model Compression for Large Language Models. arXiv:2308.07633。citeturn4search3turn4search7

扩展文献列表

Pham, H. 等（2018）. ENAS. arXiv:1802.03268。citeturn4search1turn4search5
Frankle, J. & Carbin, M.（2018）. Lottery Ticket Hypothesis. arXiv:1803.03635。citeturn4search2turn4search6
Sun, M. 等（2023）. Wanda pruning. arXiv:2306.11695。citeturn4search15
Efficient LLMs Survey（2024，TMLR；GitHub资源库AIoT-MLSys-Lab/Efficient-LLMs-Survey）。citeturn4search19

写作建议句式/段落要点

“当适配面临多任务容量竞争与部署预算约束时，‘结构学习’成为必要：不仅要决定更新多少参数，更要决定哪些结构应共享、哪些结构应特化，以及如何在结构层级上实现可控稀疏。”citeturn4search3turn4search0

盲审风险点与修改建议

风险：NAS/剪枝写成与时空无关的通用内容。
建议：每段结尾加一句“在时空多任务/跨源场景中对应什么结构矛盾”，并与2.1.4的四类异质性回扣。citeturn0search4turn4search3

2.4 时空智能数据集与评测基础设施研究（2.4.1–2.4.4）

image_group{"layout":"carousel","aspect_ratio":"16:9","query":["CityBench urban tasks benchmark","OpenCity LLM agents urban simulation platform","MapEval benchmark map-based geospatial reasoning","GEOBench-VLM geospatial vision-language benchmark"],"num_per_query":1}

2.4.1 时空预测与分析数据集

核心问题
传统时空研究为何以预测基准为主？其对LLM适配研究的覆盖缺口在哪里？

写作要点
建议以交通预测为代表：公开数据集（METR-LA、PEMS-BAY等）推动STGNN形成统一协议；综述论文往往汇总数据集、指标与代码资源，适合在第二章用作“文献树干”。citeturn0search10turn0search6
并明确指出：预测评测偏回归误差，难以覆盖LLM关注的推理一致性、工具可执行性与交互式决策能力，为2.4.2–2.4.4铺垫。citeturn6search3turn6search1

建议引用点

交通预测GNN综述（含数据集清单）。citeturn0search10turn0search6

代表性工作（完整信息）

Jiang, W.（2022）. Graph neural network for traffic forecasting: A survey. Expert Systems with Applications. DOI:10.1016/j.eswa.2022.117921。citeturn0search10turn0search6

扩展文献列表

DCRNN/Graph WaveNet等经典基线论文（见2.1.3）。citeturn3search3turn3search2
遥感时序与变化检测数据集族：SpaceNet、xView、BigEarthNet（DOI/官网：未检索到；建议后续补齐）。
城市流量/出行数据集：Taxi、Bike、移动信令等（多为竞赛/平台发布，建议只引用权威可复现来源）。

写作建议句式/段落要点

“预测类基准易标准化、易规模化、易对比，因此长期主导时空智能评测；但其任务形态不足以评价LLM在结构推理、工具调用与交互式决策中的能力边界。”citeturn0search10turn6search3

盲审风险点与修改建议

风险：批评传统基准“价值不大”。
建议：先肯定其贡献（统一协议与可比性），再指出对LLM研究的覆盖缺口。

2.4.2 面向推理与决策的时空任务数据（POI/地图/坐标/遥感推理）

核心问题
如何分类推理型基准，并解释它们与“结构感知适配”的关系？

写作要点
建议按推理要素分类：

POI/轨迹/时空约束推理（POI‑QA）；citeturn6search0turn6search12
地图推理（MapEval）与真实地图大规模问答（MapVerse 2026）；citeturn6search1turn6search2
坐标与测地推理（GPSBench 2026）；citeturn7search2turn7search10
遥感/地球观测推理（GEOBench‑VLM、EarthSpatialBench）。citeturn7search0turn7search1

建议引用点

POI‑QA强调“时空敏感问答缺口”。citeturn6search0turn6search4
MapEval强调三类交互形态（文本/API/视觉）。citeturn6search1turn6search5
GPSBench拆分几何计算与世界知识。citeturn7search2turn7search6

代表性工作（完整信息）

Han, X. 等（2025）. A Dataset for Spatiotemporal-Sensitive POI Question Answering (POI-QA). arXiv:2505.10928；数据集发布在Kaggle（hahahenha/poi-qa）。citeturn6search0turn6search12
Dihan, M. L. 等（2024）. MapEval. arXiv:2501.00316。citeturn6search1turn6search5

扩展文献列表

Bhat, S. 等（2026）. MapVerse. arXiv:2602.10518。citeturn6search2turn6search6
Danish, M. S. 等（2024/2025）. GEOBench‑VLM. arXiv:2411.19325；ICCV 2025。citeturn7search0turn7search4
Xu, Z. 等（2026）. EarthSpatialBench. arXiv:2602.15918。citeturn7search1turn7search9
Truong, T. H. 等（2026）. GPSBench. arXiv:2602.16105。citeturn7search2turn7search10

写作建议句式/段落要点

“推理型地理基准的共同特点是：输入隐含几何/拓扑/时序约束，输出要求结构一致与可解释，因此更能暴露模型‘看似会说、但不一定会算/会判别’的问题。”citeturn7search2turn6search1

盲审风险点与修改建议

风险：只列基准，不写评测维度。
建议：在2.4章中给出一个“能力维度清单”（方向/距离/拓扑/路径/变化检测/工作流执行等），并在每个基准后标注覆盖维度。

2.4.3 城市仿真环境与智能体平台

核心问题
为何需要“环境+任务生成+持续评测”的基础设施？经典仿真平台与LLM城市智能体平台如何衔接？

写作要点
先引用SUMO作为交通仿真的长期基础设施，再引用CityFlow作为面向城市级交通信号控制/多智能体RL的高性能仿真环境；再引入OpenCity作为“城市活动LLM agents可扩展仿真平台”的新范式，从而为你第六章AgentCity的定位提供对标。citeturn8search0turn8search1turn7search3

建议引用点

SUMO（开源交通仿真）经典文档。citeturn8search0turn8search4
CityFlow提出相对SUMO的可扩展性改进，并用于RL接口。citeturn8search1turn8search5
OpenCity强调系统与提示优化以实现大规模agents仿真。citeturn7search3turn7search7

代表性工作（完整信息）

entity["people","Daniel Krajzewicz","traffic simulation"] 等（2002）. SUMO (Simulation of Urban MObility): An open-source traffic simulation. 技术报告/会议论文PDF（DLR/官方文档入口）。链接：见官方PDF；DOI：未检索到。citeturn8search0turn8search4
Zhang, H. 等（2019）. CityFlow: A Multi-Agent Reinforcement Learning Environment for Large Scale City Traffic Scenario. arXiv:1905.05217（官方仓库：cityflow-project/CityFlow）。citeturn8search1turn8search9

扩展文献列表

Dosovitskiy, A. 等（2017）. CARLA: An Open Urban Driving Simulator. arXiv:1711.03938；PMLR页可作官方入口。citeturn8search2turn8search18
Horni, A. 等（2016）. Introducing MATSim. DOI:10.5334/baw.1（条目可从相关页面补齐；本次以ResearchGate入口证实该DOI）。citeturn8search15
OpenCity（见2.2.4）作为新型城市活动仿真平台。citeturn7search3

写作建议句式/段落要点

“对面向推理与决策的时空智能而言，评测对象从‘一次预测误差’转为‘在交互式环境中完成任务的能力’，因此需要将数据、工具接口与仿真环境整合为可复现的benchmark基础设施。”citeturn0search3turn7search3turn8search1

盲审风险点与修改建议

风险：平台写成工程堆砌。
建议：强调“评测协议、任务生成、持续评估与可复现性”是科学贡献核心，并与CityBench/OpenCity对齐比较。citeturn0search3turn7search3

2.4.4 现有评测体系的局限性

核心问题
现有基准为何不足以支撑“LLM适配研究”？应提出哪些面向结构感知适配的评测需求？

写作要点
建议归纳为四类缺口，并逐条给bench证据：

任务形态缺口（静态预测多、推理/交互少）：CityBench与MapEval出现即是填补。citeturn0search3turn6search1
工具链缺口：GeoAnalystBench将GIS工作流与代码质量纳入评测。citeturn6search3turn6search11
空间一致性缺口：GPSBench/EarthSpatialBench揭示几何与拓扑推理不足。citeturn7search2turn7search1
多模态遥感缺口：GEOBench‑VLM强调变化检测、计数与微小目标等地学挑战。citeturn7search0turn7search8

建议引用点

GeoAnalystBench的“最小可交付产物（MDP）+多维度评分”。citeturn6search3turn6search11

代表性工作（完整信息）

entity["people","Qianheng Zhang","geoai benchmark"] 等（2025）. GeoAnalystBench: A GeoAI benchmark for assessing large language models for spatial analysis workflow and code generation. arXiv:2509.05881。citeturn6search3turn6search11

扩展文献列表

CityBench（城市多任务与仿真评测）。citeturn0search3turn0search19
MapEval/MapVerse（地图推理评测谱系）。citeturn6search1turn6search2
GPSBench/EarthSpatialBench/GEOBench‑VLM（空间/遥感推理评测）。citeturn7search2turn7search1turn7search0

写作建议句式/段落要点

“LLM适配研究的关键不在于‘能否生成答案’，而在于‘能否稳定遵守时空结构约束并产出可执行工作流’；因此评测应同时覆盖结构一致性、工具可执行性与跨源泛化能力。”citeturn6search3turn7search2

盲审风险点与修改建议

风险：需求清单显得主观。
建议：每条需求都用公开benchmark作为证据锚点，避免“凭感觉提出”。citeturn6search3turn6search1turn0search3

附录

附录A 方法对比表（按“调制对象—结构层级”视角，仅附录呈现）

方法类别	代表方法	调制对象（Z）	对应结构层级（与你的四级框架对齐）	优点	局限	典型评测/数据集
PEFT-插入式	Adapters	层内瓶颈参数	参数级（弱结构）	稳定、可插拔	结构角色利用有限	通用NLP/领域微调
PEFT-低秩	LoRA	权重增量低秩分解	参数级	强基线、开销低	默认相对均匀	POI-QA/Geo任务可作为基线
PEFT-量化+低秩	QLoRA	量化主干+LoRA增量	参数级（系统友好）	单卡可训大模型	训练细节敏感	指令微调/QA
多任务共享	硬/软共享	共享主干表示	模块级/参数级	泛化好	负迁移风险	城市多目标预测
动态路由	MoE/Switch	专家选择与门控	模块级	容量可扩展	路由不稳、成本高	大模型多任务
长序列时序Transformer	Informer	注意力近似与蒸馏	表示流级	长序列效率	结构一致性弱	LSTF基准
分解与自相关	Autoformer	分解块+自相关	频谱/表示级	多尺度直觉强	分解假设依赖	LSTF基准
频域增强	FEDformer	傅里叶/小波块	频谱级	全局-局部兼顾	设计复杂	LSTF基准
结构搜索	DARTS	架构拓扑	参数结构级	结构可学习	搜索稳定性/成本	结构压缩/迁移
LLM剪枝	Wanda等	权重稀疏	参数结构级	可控压缩	可能损害推理	LLM推理/部署

（上表相关代表工作入口：LoRA/QLoRA/PEFT综述/Informer/Autoformer/FEDformer/DARTS/LLM压缩综述/Wanda等已在正文给出并有对应引文支撑。）citeturn2search0turn2search1turn1search0turn1search2turn1search3turn3search4turn4search0turn4search3turn4search15

附录B 参考文献池统计与补齐建议

本稿在正文“代表性工作”中给出约41条完整信息条目（DOI/arXiv/ISBN/官方页或标注未检索到），并在各小节“扩展文献列表”中补充条目以满足“≥120条、≥30条中文”的文献池目标。
为了在最终博士论文中达到更强的“可检索性与可复现性”，建议你在定稿阶段做两轮补齐：

补齐中文期刊条目的卷期页码与DOI（优先《测绘学报》《地球信息科学学报》《地理学报》《武汉大学学报（信息科学版）》等官方站点可公开检索的条目）。citeturn5search4turn5search0turn5search13
对“扩展列表”中标注“未检索到”的英文经典条目（如Moran 1950、Kalman 1960等）统一补齐DOI或出版信息（通常可通过出版社页/学会数字图书馆完成）。

（如你希望我把“扩展文献列表”进一步严格化为可直接粘贴GB/T 7714格式，并确保每条都有可点击的DOI/arXiv入口，我可以在你指定的格式模板（GB/T/APA/IEEE）下对当前文献池进行一次“统一格式化与去重校验”。）

52 KiB Raw Blame History Unescape Escape

第二章：时空表征学习基础与统一分析框架——写作脉络细化与参考文献池（2.1–2.4）

执行摘要

统一分析框架与写作总体策略

2.1 时空数据建模与表征学习研究（2.1.1–2.1.4）

2.2 基础模型与大语言模型表征机制研究（2.2.1–2.2.4）

2.3 参数高效适配与结构建模方法研究（2.3.1–2.3.5）

2.4 时空智能数据集与评测基础设施研究（2.4.1–2.4.4）

附录

附录A 方法对比表（按“调制对象—结构层级”视角，仅附录呈现）

附录B 参考文献池统计与补齐建议

52 KiB

Raw Blame History