arXiv 于 2026 年 10 月 20 日（周二）18:28:15 UTC 收到论文《SAIL: A Learnable Generalisation of Spatial Autocorrelation over Graph-Structured Data》的 v1 版本，作者为 Piotr Keller 与 Fayyaz Minhas，提交文件体积约 22,212 KB，分类属于计算机视觉与模式识别（cs.CV），编号 arXiv:2610.28806（本版本为 arXiv:2610.28806v1），DOI 为 https://doi.org/10.48550/arXiv.2610.28806，由 DataCite 颁发（注册尚待完成）。论文全文共 44 页、22 幅图，其中主论文包含 7 幅图，补充材料包含 15 幅图，主论文与补充材料合并在同一文件中。作者提供了 PDF、实验性 HTML 版本、TeX 源码以及音频摘要等访问方式。
论文关注的问题来自视觉与涉及空间数据的科学领域：节点特征值究竟是在空间上独立变化，还是形成了连贯的空间结构。经典的空間自相关统计量，如 Moran's I 与 Geary's C，能够量化这一现象，但它们只能作用于单一标量变量，且使用固定的邻域权重，这限制了它们在高维图状数据上的应用。
为应对这一局限，作者提出了 SAIL（Spatial Autocorrelation Index Learner），一个可微框架，将空间自相关推广为可学习算子。SAIL 通过联合学习两件事来实现这一点：一是定义候选标量场的特征投影，二是节点之间的邻域亲和度。由此，SAIL 能够产生可解释的局部与全局空间连贯性描述子，既支持有监督预测，也支持以无监督方式发现空间自相关的模式与热点。
作者在理论上给出了两点论证：其一，在适当的参数化下，SAIL 能够精确恢复经典的空间统计量；其二，对于由潜在空间自相关驱动的任务，SAIL 能够以与这类任务相匹配的归纳偏置逼近贝叶斯最优预测器。实验方面，论文在合成数据与大规模生物医学图上进行了验证，结果表明其统计正确性，并展示了空间连贯性的发现能力，应用范围涵盖视觉、地理空间分析与生物医学。代码仓库地址为 https://github.com/pkeller00/SAIL。
需要说明的是，上述结论主要基于论文自身的合成数据实验与生物医学图实验，属作者自述结果；该版本为首次提交的预印本，尚未经过同行评审，读者在引用时应留意。