ScaleCity：联合多尺度与多任务的城市区域表征学习

基于摘要分析。ScaleCity 研究城市区域表征如何适应不同空间粒度、区域边界与预测任务，针对可变空间单元问题（MAUP）中的尺度效应和分区效应，提出按城市训练单一模型、联合处理多任务与多种空间配置的多模态框架。 方法上，图增强对比预训练在原子级 H3 单元上对齐街景图像、兴趣点文本和遥感特征；由提示条件化的超网络针对每个任务—配置组合调整多模态融合与预测，区域聚合则显式保留空间范围信息。其核心设计是用混合任务—配置样本联合训练，替代分别拟合的预测器，而不是为所有城市训练一个统一模型。 作者报告，在三个中国超大城市、八项任务及九种配置的评估中，配置覆盖网格、路网分区与行政区域，ScaleCity 在所有按任务和按配置平均的 R2 比较中均优于九个基线。该结论对应平均指标比较，不能据此推断每个任务—配置组合均领先。作者还报告同一城市内未见配置的零样本预测，并以少样本实验考察对未见任务的适应；摘要未提供具体分数、任务定义、划分方式及统计信息，实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码完整性与复现条件尚未核查。 平台推测（待验证）：若 EEG 任务可构造具有明确对应关系的通道或脑区聚合配置，任务—配置条件化与保留聚合范围的思路可能用于研究跨空间配置预测；原方法依赖 H3 空间单元、多模态城市数据和多任务监督，不能直接照搬。需改造信号编码、空间关系与聚合描述，低信噪比、跨被试差异及小数据可能使条件化模块过拟合。一个可证伪的小实验是在固定被试划分下，用部分通道聚合配置训练，对留出配置比较条件化模型与独立预测器，并控制模型容量和训练数据量。已有 EEG 相关工作尚未检索确认，城市任务结果不构成 BCI 有效性的证据。