論文の概要: Stochastic Local Interaction Model: Geostatistics without Kriging

• arxiv url: http://arxiv.org/abs/2001.02246v1
• Date: Tue, 7 Jan 2020 19:03:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 21:27:50.317901
• Title: Stochastic Local Interaction Model: Geostatistics without Kriging
• Title（参考訳）: 確率的局所相互作用モデル:地統計学
• Authors: Dionissios T. Hristopulos, Andreas Pavlides, Vasiliki D. Agou, and Panagiota Gkafa
• Abstract要約: 本稿では,大容量データを処理可能な空間予測を効率的に行うため,SLIモデルを提案する。 SLI法は,データ値,位置,サンプリング密度の変動を考慮した空間的相互作用行列(精度行列)を構築する。 計算時間に関しては、SLIの予測は同じグリッドサイズの場合、OKの3倍から25倍高速である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classical geostatistical methods face serious computational challenges if they are confronted with large sets of spatially distributed data. We present a simplified stochastic local interaction (SLI) model for computationally efficient spatial prediction that can handle large data. The SLI method constructs a spatial interaction matrix (precision matrix) that accounts for the data values, their locations, and the sampling density variations without user input. We show that this precision matrix is strictly positive definite. The SLI approach does not require matrix inversion for parameter estimation, spatial prediction, and uncertainty estimation, leading to computational procedures that are significantly less intensive computationally than kriging. The precision matrix involves compact kernel functions (spherical, quadratic, etc.) which enable the application of sparse matrix methods, thus improving computational time and memory requirements. We investigate the proposed SLI method with a data set that includes approximately 11500 drill-hole data of coal thickness from Campbell County (Wyoming, USA). We also compare SLI with ordinary kriging (OK) in terms of estimation performance, using cross validation analysis, and computational time. According to the validation measures used, SLI performs slightly better in estimating seam thickness than OK in terms of cross-validation measures. In terms of computation time, SLI prediction is 3 to 25 times (depending on the size of the kriging neighborhood) faster than OK for the same grid size.
• Abstract（参考訳）: 古典的な地球統計学的手法は、大規模な空間分布データに直面すると深刻な計算上の課題に直面する。 本稿では,大容量データを扱う計算効率の良い空間予測のための簡易確率的局所相互作用(SLI)モデルを提案する。 sli法では,データ値,位置,サンプリング密度の変化を考慮した空間的相互作用行列(precision matrix)を構築する。 この精度行列は厳密な正定値であることを示す。 sliアプローチでは、パラメータ推定、空間予測、不確実性推定のための行列反転は必要とせず、krigingよりも計算量的にはるかに少ない計算手順へと繋がる。 精度行列は、疎行列法の適用を可能にするコンパクトなカーネル関数(球面関数、二次関数など)を含み、計算時間とメモリ要求を改善する。 本研究では,キャンベル郡(ワイオミング州)の石炭厚の掘削孔データを含むデータセットを用いて,SLI法を提案する。 また,SLIと通常のクリグ (OK) を比較し,クロスバリデーション解析と計算時間を用いて推定性能を比較した。 検証方法によると,SLIはクロスバリデーションの指標として,オッケーよりも海藻の厚みをわずかに評価する。 計算時間に関しては、SLI予測は同じグリッドサイズでOKよりも3倍から25倍高速である。

関連論文リスト

• Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
  高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。 これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。 拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-11-10T01:26:16Z)
• Linearized Wasserstein dimensionality reduction with approximation guarantees [65.16758672591365]
  LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。 我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。 また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
  論文  参考訳（メタデータ） (2023-02-14T22:12:16Z)
• Gaussian process regression and conditional Karhunen-Lo\'{e}ve models for data assimilation in inverse problems [68.8204255655161]
  偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。 CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
  論文  参考訳（メタデータ） (2023-01-26T18:14:12Z)
• RSC: Accelerating Graph Neural Networks Training via Randomized Sparse Computations [56.59168541623729]
  トレーニンググラフニューラルネットワーク(GNN)は、疎グラフベースの操作がハードウェアによって加速することが難しいため、時間を要する。 我々は,サンプリングに基づく近似による時間的複雑性を低減するために,計算精度のトレードオフを検討する。 本稿では,GNNを近似演算でトレーニングする可能性を初めて示すランダム化スパース計算を提案する。
  論文  参考訳（メタデータ） (2022-10-19T17:25:33Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Near-optimal estimation of smooth transport maps with kernel sums-of-squares [81.02564078640275]
  滑らかな条件下では、2つの分布の間の正方形ワッサーシュタイン距離は、魅力的な統計的誤差上界で効率的に計算できる。 生成的モデリングのような応用への関心の対象は、基礎となる最適輸送写像である。 そこで本研究では,地図上の統計的誤差であるL2$が,既存のミニマックス下限値とほぼ一致し,スムーズな地図推定が可能となる最初のトラクタブルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-03T13:45:36Z)
• EGGS: Eigen-Gap Guided Search Making Subspace Clustering Easy [20.547648917833698]
  サブスペースクラスタリングのための固有ギャップ誘導探索法を提案する。 理論的、数値的には、より大きい相対固有ギャップを持つラプラシア行列は、しばしばより高いクラスタリング精度と安定性をもたらすことを示す。 本手法は実アプリケーションにおいて高い柔軟性と利便性を有し,計算コストも低い。
  論文  参考訳（メタデータ） (2021-07-23T08:53:36Z)
• Why Approximate Matrix Square Root Outperforms Accurate SVD in Global Covariance Pooling? [59.820507600960745]
  本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。 提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-05-06T08:03:45Z)
• Scalable Distributed Approximation of Internal Measures for Clustering Evaluation [5.144809478361603]
  クラスタリング評価のための内部測度はシルエット係数であり、計算には2つの距離計算が必要である。 本稿では,任意の距離に基づいてクラスタリングの評価を行うための厳密な近似を計算した最初のスケーラブルアルゴリズムを提案する。 また,このアルゴリズムは凝集や分離などのクラスタリング品質の他の内部指標の厳密な近似に適応可能であることも証明した。
  論文  参考訳（メタデータ） (2020-03-03T10:28:14Z)
• Estimating Multiple Precision Matrices with Cluster Fusion Regularization [0.90238471756546]
  異なるクラスから複数の精度行列を推定するペナライズされた可能性を提案する。 既存の手法の多くは、精度行列間の関係に関する情報を含まないか、あるいはこの情報を先入観として要求する。
  論文  参考訳（メタデータ） (2020-03-01T01:03:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。