論文の概要: Spherical Poisson Point Process Intensity Function Modeling and
Estimation with Measure Transport
- arxiv url: http://arxiv.org/abs/2201.09485v1
- Date: Mon, 24 Jan 2022 06:46:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:25:15.790520
- Title: Spherical Poisson Point Process Intensity Function Modeling and
Estimation with Measure Transport
- Title(参考訳): 球面ポアソン点過程の強度関数モデリングと測度輸送による推定
- Authors: Tin Lok James Ng and Andrew Zammit-Mangion
- Abstract要約: 球面上の非同次ポアソン過程強度関数をモデル化するための新しいアプローチを提案する。
このフレームワークの中心的な考え方は、球面上の関心の根底にある強度関数を、球面上のより単純な参照、強度関数に変換するフレキシブルな単射写像を構築し、推定することである。
- 参考スコア(独自算出の注目度): 0.20305676256390934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have seen an increased interest in the application of methods
and techniques commonly associated with machine learning and artificial
intelligence to spatial statistics. Here, in a celebration of the ten-year
anniversary of the journal Spatial Statistics, we bring together normalizing
flows, commonly used for density function estimation in machine learning, and
spherical point processes, a topic of particular interest to the journal's
readership, to present a new approach for modeling non-homogeneous Poisson
process intensity functions on the sphere. The central idea of this framework
is to build, and estimate, a flexible bijective map that transforms the
underlying intensity function of interest on the sphere into a simpler,
reference, intensity function, also on the sphere. Map estimation can be done
efficiently using automatic differentiation and stochastic gradient descent,
and uncertainty quantification can be done straightforwardly via nonparametric
bootstrap. We investigate the viability of the proposed method in a simulation
study, and illustrate its use in a proof-of-concept study where we model the
intensity of cyclone events in the North Pacific Ocean. Our experiments reveal
that normalizing flows present a flexible and straightforward way to model
intensity functions on spheres, but that their potential to yield a good fit
depends on the architecture of the bijective map, which can be difficult to
establish in practice.
- Abstract(参考訳): 近年,機械学習や人工知能に共通する手法や手法の空間統計への応用への関心が高まっている。
ここでは,学術誌「空間統計学」の10周年を記念して,機械学習における密度関数推定によく用いられる正規化フローと,学術誌の読者層に特に関心を持つ球面点過程を組み合わせて,非均一なポアソン過程強度関数を球面上でモデル化する新たなアプローチを提案する。
このフレームワークの中心的な考え方は、球面上の関心の根底にある強度関数を、球面上のより単純で参照可能な強度関数に変換する柔軟な単射写像を構築し、推定することである。
自動微分と確率勾配降下を用いて地図推定を効率的に行うことができ、不確かさの定量化はノンパラメトリックブートストラップによって直接行うことができる。
シミュレーション研究において,提案手法の有効性を検証し,北太平洋におけるサイクロン現象の強度をモデル化する概念実証実験において,その利用について述べる。
実験の結果, 正規化フローは球面上の強度関数をモデル化するための柔軟で直接的な方法であるが, そのポテンシャルは, 実際に確立することが困難である単射写像のアーキテクチャに依存することがわかった。
関連論文リスト
- Unlocking Point Processes through Point Set Diffusion [42.96573032954792]
点拡散に基づく潜在変数モデルである点集合拡散(Point Set Diffusion)を導入する。
提案手法は,距離空間上で定義された複雑な条件付きタスクに対して,効率的な並列サンプリングとフレキシブルな生成を可能にする。
論文 参考訳(メタデータ) (2024-10-29T19:33:18Z) - von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳(メタデータ) (2024-06-19T01:57:21Z) - Deep Learning and genetic algorithms for cosmological Bayesian inference speed-up [0.0]
本稿では,ネストサンプリングアルゴリズムに特化してベイズ推論を高速化する新しい手法を提案する。
提案手法は,ベイズ推論過程における確率関数を動的に近似するために,フィードフォワードニューラルネットワークを用いてディープラーニングのパワーを利用する。
この実装はネストサンプリングアルゴリズムと統合され、単純な宇宙学のダークエネルギーモデルと多様な観測データセットの両方を用いて徹底的に評価されている。
論文 参考訳(メタデータ) (2024-05-06T09:14:58Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳(メタデータ) (2023-08-02T10:02:38Z) - Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。
我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。
我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
論文 参考訳(メタデータ) (2021-10-21T14:47:06Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Physics-constrained Bayesian inference of state functions in classical
density-functional theory [0.6445605125467573]
我々は,古典統計力学の逆問題に対する新しいデータ駆動手法を開発した。
我々は, 近似自由エネルギー関数の構成を特徴付ける効率的な学習アルゴリズムを開発した。
我々は、自由エネルギーの観点からモデリングする上で非常に困難である一方、自然界においてユビキタスな体積粒子相互作用を除外することを検討する。
論文 参考訳(メタデータ) (2020-10-07T12:43:42Z) - A physics-informed operator regression framework for extracting
data-driven continuum models [0.0]
高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。
提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。
局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2020-09-25T01:13:51Z) - UNIPoint: Universally Approximating Point Processes Intensities [125.08205865536577]
学習可能な関数のクラスが任意の有効な強度関数を普遍的に近似できることを示す。
ニューラルポイントプロセスモデルであるUNIPointを実装し,各イベントの基底関数の和をパラメータ化するために,リカレントニューラルネットワークを用いた。
論文 参考訳(メタデータ) (2020-07-28T09:31:56Z) - Fast approximations in the homogeneous Ising model for use in scene
analysis [61.0951285821105]
我々は、推論に必要な量を数値計算できる正確な近似を提供する。
近似式はスケーラブルでマルコフランダム場の大きさに満足できないことを示す。
機能的磁気共鳴イメージングアクティベーション検出実験においてベイズ推論を行い, ピスタチオ樹収量の年次増加の空間パターンにおける異方性に対する確率比試験を行った。
論文 参考訳(メタデータ) (2017-12-06T14:24:34Z)
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。