O uso de IA em análises espaciais enfrenta um problema recorrente: intervalos de confiança que parecem confiáveis mas falham quando dados variam pelo espaço. Pesquisadores mostraram que métodos tradicionais podem superestimar precisão.
Na MIT, Tamara Broderick e colegas desenvolveram um novo método para gerar intervalos de confiança válidos em dados com variação geográfica. Testes em simulações e dados reais indicam desempenho superior frente às abordagens existentes.
O estudo foi apresentado no NeurIPS e envolve coautores ligados ao EECS, ao LIDS e ao CSAIL. Entre os participantes estão David R. Burt, Renato Berlinghieri e Stephen Bates. A pesquisa recebeu apoio financeiro de diversas fontes, incluindo NSF e ONR.
Novo método para dados espaciais
O método assume que os dados variam de forma suave no espaço, ao contrário de depender de suposições de IID. Essa suavidade espacial é mais compatível com padrões reais, como a poluição que não muda drasticamente de um quarteirão para o outro.
Em comparação com técnicas convencionais, a nova abordagem manteve confiabilidade sob ruídos aleatórios e mostrou consistência na geração de ICs para análises espaciais. Pesquisadores planejam ampliar aplicações a outros tipos de variáveis.
Implicações e próximos passos
Os pesquisadores veem utilidade em áreas como ciência ambiental, economia e epidemiologia para entender quando confiar nos resultados de experiments. O trabalho abriu caminho para avaliações mais robustas de fenômenos geoespaciais.
A equipe já considera estender a metodologia a novas variáveis e cenários. O estudo também cita aplicações práticas para políticas públicas, gestão ambiental e planejamento urbano.
Entre na conversa da comunidade