我们提出了一种基于回归的方法来进行阿拉伯方言的地理定位，该方法将方言变异建模为一个连续的地理空间，而非离散类别。
通过分层神经架构，预测说话者的起源为连续的经纬度坐标，融合了帧级的 XLS-R-300M 和 Whisper-large-v3 编码器表示与音位描述，通过 Transformer 编码器和可学习的注意力池化查询进行处理。
使用球面测地损失直接优化地球表面的大圆距离，避免了平面坐标回归中的失真。在无泄漏的 5 折 GroupKFold 协议下，我们的模型实现了 481.2 公里的池化中位数定位误差。辅助国家和城市头部的准确率分别达到 64.5% 和 45.2%。
对学习的潜在空间进行的置换曼特尔检验为阿拉伯方言连续体假说提供了定量支持。为了探究真实的泛化能力，我们进一步引入了一种城市掩蔽协议，在该协议中，每折移除两个城市进行训练，但在验证中保留。
在这种 zero-shot 机制下，平均误差上升至 1173.3 公里，相较于已见城市增加了 1.32 倍。我们的研究成果确立了连续地理建模作为阿拉伯方言地理定位的原则框架，并量化了其优势和仍然存在的巨大提升空间。
博主点评： 该研究通过创新的回归方法将阿拉伯方言地理定位从离散分类转向连续空间建模，显著提高了定位精度和理论支持。这一方法不仅在技术上具有突破性，也为未来方言研究提供了新的视角和可能性。