論文の概要: Scalable Spatiotemporally Varying Coefficient Modeling with Bayesian
Kernelized Tensor Regression
- arxiv url: http://arxiv.org/abs/2109.00046v1
- Date: Tue, 31 Aug 2021 19:22:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 14:30:06.151027
- Title: Scalable Spatiotemporally Varying Coefficient Modeling with Bayesian
Kernelized Tensor Regression
- Title(参考訳): Bayesian Kernelized Tensor Regressionを用いたスケーラブル時空間変動係数モデリング
- Authors: Mengying Lei, Aurelie Labbe, Lijun Sun
- Abstract要約: 計算コストによる大規模高時間解析にSTVCを適用することは困難である。
モデル推論のための効率的なマルコフ連鎖モンテカルロアルゴリズムを開発した。
その結果,モデル推定およびパラメータ推定におけるBKTRの優れた性能と効率性が確認された。
- 参考スコア(独自算出の注目度): 3.0616624345970975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a regression technique in spatial statistics, spatiotemporally varying
coefficient model (STVC) is an important tool to discover nonstationary and
interpretable response-covariate associations over both space and time.
However, it is difficult to apply STVC for large-scale spatiotemporal analysis
due to the high computational cost. To address this challenge, we summarize the
spatiotemporally varying coefficients using a third-order tensor structure and
propose to reformulate the spatiotemporally varying coefficient model as a
special low-rank tensor regression problem. The low-rank decomposition can
effectively model the global patterns of the large data with substantially
reduced number of parameters. To further incorporate the local spatiotemporal
dependencies among the samples, we place Gaussian process (GP) priors on the
spatial and temporal factor matrices to better encode local spatial and
temporal processes on each factor component. We refer to the overall framework
as Bayesian Kernelized Tensor Regression (BKTR). For model inference, we
develop an efficient Markov chain Monte Carlo (MCMC) algorithm, which uses
Gibbs sampling to update factor matrices and slice sampling to update kernel
hyperparameters. We conduct extensive experiments on both synthetic and
real-world data sets, and our results confirm the superior performance and
efficiency of BKTR for model estimation and parameter inference.
- Abstract(参考訳): 空間統計学における回帰手法として、時空間変動係数モデル(STVC)は、時空間と時空間の非定常かつ解釈可能な応答-共変関係を発見する重要なツールである。
しかし,stvcを大規模時空間解析に適用することは,計算コストが高いため困難である。
この課題に対処するために,三階テンソル構造を用いて時空間変化係数を要約し,時空間変化係数モデルを特殊低ランクテンソル回帰問題として再構成する。
低ランク分解は、大容量データの大域的パターンを実質的に少ないパラメータで効果的にモデル化することができる。
さらに, サンプル間の局所時空間依存性を組み込むために, 空間的および時間的因子行列にガウス過程(GP)を置き, 各因子成分の局所的および時間的過程をよりよく符号化する。
我々はこのフレームワーク全体をベイズ核化テンソル回帰 (bktr) と呼ぶ。
モデル推論のために,ギブスサンプリングを用いて因子行列の更新とスライスサンプリングを行い,カーネルハイパーパラメータの更新を行う,効率的なマルコフ連鎖モンテカルロ(mcmc)アルゴリズムを開発した。
本研究では,合成データと実世界のデータセットの両方について広範な実験を行い,モデル推定とパラメータ推定におけるbktrの性能と効率性について検証した。
関連論文リスト
- Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Bayesian Complementary Kernelized Learning for Multidimensional
Spatiotemporal Data [11.763229353978321]
補足型並列学習(BCKL)のための新しい統計フレームワークを提案する。
BCKLは、正確な後部平均値と高品質の不確実性推定を提供することで優れた性能を提供する。
論文 参考訳(メタデータ) (2022-08-21T22:38:54Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳(メタデータ) (2022-08-10T19:17:45Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z) - Efficient hierarchical Bayesian inference for spatio-temporal regression
models in neuroimaging [6.512092052306553]
例えば、M/EEG逆問題、タスクベースのfMRI分析のためのニューラルネットワークの符号化、温度モニタリングスキームなどがある。
モデルパラメータとノイズの内在的時間的ダイナミクスをモデル化した,新しい階層型フレキシブルベイズフレームワークを考案する。
論文 参考訳(メタデータ) (2021-11-02T15:50:01Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳(メタデータ) (2021-05-21T00:08:06Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳(メタデータ) (2020-09-11T21:32:35Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。