論文の概要: Modeling massive multivariate spatial data with the basis graphical
lasso
- arxiv url: http://arxiv.org/abs/2101.02404v1
- Date: Thu, 7 Jan 2021 07:01:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 19:31:46.063522
- Title: Modeling massive multivariate spatial data with the basis graphical
lasso
- Title(参考訳): グラフィカルラッソに基づく大規模多変量空間データのモデリング
- Authors: Mitchell Krock, William Kleiber, Dorit Hammerling, and Stephen Becker
- Abstract要約: グラフィカルモデルを用いた多変量空間プロセスのための新しいモデリングフレームワークを提案する。
本研究では,国立大気研究センターの地域大気モデルを用いた大規模気候アンサンブルについて紹介する。
- 参考スコア(独自算出の注目度): 4.30484058393522
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new modeling framework for highly multivariate spatial processes
that synthesizes ideas from recent multiscale and spectral approaches with
graphical models. The basis graphical lasso writes a univariate Gaussian
process as a linear combination of basis functions weighted with entries of a
Gaussian graphical vector whose graph is estimated from optimizing an $\ell_1$
penalized likelihood. This paper extends the setting to a multivariate Gaussian
process where the basis functions are weighted with Gaussian graphical vectors.
We motivate a model where the basis functions represent different levels of
resolution and the graphical vectors for each level are assumed to be
independent. Using an orthogonal basis grants linear complexity and memory
usage in the number of spatial locations, the number of basis functions, and
the number of realizations. An additional fusion penalty encourages a
parsimonious conditional independence structure in the multilevel graphical
model. We illustrate our method on a large climate ensemble from the National
Center for Atmospheric Research's Community Atmosphere Model that involves 40
spatial processes.
- Abstract(参考訳): 本稿では,近年のマルチスケールおよびスペクトルアプローチのアイデアをグラフィカルモデルで合成する多変量空間プロセスのための新しいモデリングフレームワークを提案する。
基礎グラフィカルラッソは、$\ell_1$ペナル化確率を最適化してグラフを推定するガウスグラフィカルベクトルのエントリを重み付けた基底関数の線形結合として、不定ガウス過程を記述する。
本稿では,基礎関数をガウスベクトルで重み付けする多変量ガウス過程に設定を拡張する。
基本関数が解像度の異なるレベルを表し、各レベルに対するグラフィカルベクターが独立であると仮定したモデルにモチベーションを与える。
直交基底を使用すると、空間的位置の数、基底関数の数、実現数における線形複雑性とメモリ使用量が得られる。
追加の融合ペナルティは、多レベルグラフィカルモデルにおける相似条件独立構造を促進する。
我々は,国立大気研究センターの地域大気モデルから,40の空間過程を含む大規模な気候アンサンブルについて概説した。
関連論文リスト
- On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳(メタデータ) (2024-05-18T15:59:41Z) - A Copula Graphical Model for Multi-Attribute Data using Optimal Transport [9.817170209575346]
本稿では,Cyclical Monotone Copulaという新しいコプラに基づく,新しい半パラメトリック多属性グラフィカルモデルを提案する。
高次元特性を持つ場合、次元問題の呪いに対処するために、射影単調コプラモデルが提案される。
論文 参考訳(メタデータ) (2024-04-10T04:49:00Z) - Gaussian Entanglement Measure: Applications to Multipartite Entanglement
of Graph States and Bosonic Field Theory [50.24983453990065]
フービニ・スタディ計量に基づく絡み合い尺度は、Cocchiarellaと同僚によって最近導入された。
本稿では,多モードガウス状態に対する幾何絡み合いの一般化であるガウスエンタングルメント尺度(GEM)を提案する。
自由度の高い系に対する計算可能な多部絡み合わせ測度を提供することにより、自由なボゾン場理論の洞察を得るために、我々の定義が利用できることを示す。
論文 参考訳(メタデータ) (2024-01-31T15:50:50Z) - Interpretable and Scalable Graphical Models for Complex Spatio-temporal
Processes [3.469001874498102]
論文は、複雑な時間構造を持つデータと、解釈可能かつ解釈可能な方法で構造を学ぶ確率的グラフィカルモデルに焦点を当てている。
この方法論の実践的応用は、実際のデータセットを用いて検討される。
これには、データを用いた脳接続分析、太陽画像データを用いた宇宙天気予報、Twitterデータを用いた世論の縦断的分析、TalkLifeデータを用いたメンタルヘルス関連の問題のマイニングが含まれる。
論文 参考訳(メタデータ) (2023-01-15T05:39:30Z) - Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。
提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
論文 参考訳(メタデータ) (2022-05-18T17:11:23Z) - Inference of Multiscale Gaussian Graphical Model [0.0]
階層的なクラスタリング構造と階層のそれぞれのレベルでの独立性構造を記述するグラフを同時に推論する新しい手法を提案する。
実データと合成データの結果が提示される。
論文 参考訳(メタデータ) (2022-02-11T17:11:20Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳(メタデータ) (2022-02-05T08:21:04Z) - A Probabilistic Graphical Model Approach to the Structure-and-Motion
Problem [2.2559617939136505]
本稿では,コンピュータビジョンにおけるよく知られた構造・動作問題の定式化と解法を提案する。
未知のカメラポーズと3次元特徴座標と観測された2次元投影をガウス確率変数としてモデル化する。
提案手法は,シミュレーションと実世界のデータの両方において有望であることを示す。
論文 参考訳(メタデータ) (2021-10-07T21:04:38Z) - Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。
モデルのパラメータは期待最大化手順によって反復的に推定される。
論文 参考訳(メタデータ) (2021-06-16T18:00:02Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-03-31T11:28:25Z)
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。