論文の概要: On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction

• arxiv url: http://arxiv.org/abs/2007.03747v1
• Date: Wed, 1 Jul 2020 10:59:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 22:54:35.521103
• Title: On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction
• Title（参考訳）: 多変量空間予測のためのcokriging, neural networks, and spatial blind source separationについて
• Authors: Christoph Muehlmann, Klaus Nordhausen, Mengxi Yi
• Abstract要約: ブラインドソース分離は空間予測のための前処理ツールである。 本稿では,空間的ブラインド音源分離を空間的予測のための前処理ツールとして利用することを検討する。 我々は、大規模なシミュレーション研究と地球化学データセットにおいて、Cokrigingとニューラルネットワークの予測と比較した。
• 参考スコア（独自算出の注目度）: 3.416170716497814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multivariate measurements taken at irregularly sampled locations are a common form of data, for example in geochemical analysis of soil. In practical considerations predictions of these measurements at unobserved locations are of great interest. For standard multivariate spatial prediction methods it is mandatory to not only model spatial dependencies but also cross-dependencies which makes it a demanding task. Recently, a blind source separation approach for spatial data was suggested. When using this spatial blind source separation method prior the actual spatial prediction, modelling of spatial cross-dependencies is avoided, which in turn simplifies the spatial prediction task significantly. In this paper we investigate the use of spatial blind source separation as a pre-processing tool for spatial prediction and compare it with predictions from Cokriging and neural networks in an extensive simulation study as well as a geochemical dataset.
• Abstract（参考訳）: 不規則にサンプリングされた場所での多変量測定は、例えば土壌の地球化学的分析など、一般的なデータ形式である。 実際の考察では、観測されていない場所での測定の予測は非常に興味深い。 標準的な多変量空間予測法では、空間依存をモデル化するだけでなく、相互依存をモデル化する必要がある。 近年,空間データに対するブラインド音源分離手法が提案されている。 実際の空間予測に先立ってこの空間ブラインド音源分離法を用いる場合、空間クロス依存性のモデル化を回避し、空間予測タスクを大幅に単純化する。 本稿では,空間予測のための前処理ツールとしての空間ブラインド音源分離の利用について検討し,コリギングとニューラルネットワークによる予測との比較を行った。

関連論文リスト

• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
  回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。 我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
  論文  参考訳（メタデータ） (2023-10-12T10:56:25Z)
• Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
  非定常データからサブリージョンを導出するためにConvNetsを使用します。 定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。 提案手法の性能を大規模に評価する。
  論文  参考訳（メタデータ） (2023-06-20T12:17:46Z)
• Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
  深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。 本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
  論文  参考訳（メタデータ） (2022-11-27T16:51:28Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Spatial machine-learning model diagnostics: a model-agnostic distance-based approach [91.62936410696409]
  本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。 統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。 この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
  論文  参考訳（メタデータ） (2021-11-13T01:50:36Z)
• The Exploitation of Distance Distributions for Clustering [3.42658286826597]
  クラスタ分析では、距離分布の異なる特性が適切な距離選択に関係していると判断される。 ミラー化密度プロットを用いて分布解析を用いて,この仕様を体系的に検討することにより,クラスタ解析においてマルチモーダル距離分布が好ましいことを示す。 実験は、クラスタリングのタスクのために、いくつかの人工データセットと自然なデータセットで行われます。
  論文  参考訳（メタデータ） (2021-08-22T06:22:08Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)
• DeepKriging: Spatially Dependent Deep Neural Networks for Spatial Prediction [2.219504240642369]
  空間統計学において、共通の目的は、空間依存を利用して、観測されていない場所での空間過程の値を予測することである。 DeepKriging法はガウスの場合にはKrigingと直接リンクしており、非ガウスおよび非定常データに対してKrigingよりも多くの利点がある。 本手法を米国大陸におけるPM2.5濃度の予測に適用する。
  論文  参考訳（メタデータ） (2020-07-23T12:38:53Z)
• Estimation of the spatial weighting matrix for regular lattice data -- An adaptive lasso approach with cross-sectional resampling [0.38073142980733]
  正規格子データに対するスパース空間依存構造の推定について検討する。 空間依存構造を復元するために,ランダムなプロセスが交換可能であると仮定して断面再サンプリングを提案する。 断面再サンプリングを用いた2段階適応型ラッソ法をモンテカルロシミュレーションを用いて検証した。
  論文  参考訳（メタデータ） (2020-01-06T12:51:02Z)

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。