Fugu-MT 論文翻訳(概要): Spatially-Varying Bayesian Predictive Synthesis for Flexible and Interpretable Spatial Prediction

論文の概要: Spatially-Varying Bayesian Predictive Synthesis for Flexible and Interpretable Spatial Prediction

arxiv url: http://arxiv.org/abs/2203.05197v1
Date: Thu, 10 Mar 2022 07:16:29 GMT
ステータス: 処理完了
システム内更新日: 2022-03-11 15:40:13.422213
Title: Spatially-Varying Bayesian Predictive Synthesis for Flexible and Interpretable Spatial Prediction
Title（参考訳）: 柔軟かつ解釈可能な空間予測のための空間変動ベイズ予測合成
Authors: Danielle Cabel, Masahiro Kato, Kenichiro McAlinn, Shonosuke Sugasawa, Kosaku Takanashi
Abstract要約: 本研究では,空間的ベイズ予測合成と呼ばれる空間的不確かさを捉える手法を提案する。提案した空間ベイズ予測合成は,標準的な空間モデルや高度な機械学習手法よりも優れていることを示す。
参考スコア（独自算出の注目度）: 6.07227513262407
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spatial data are characterized by their spatial dependence, which is often complex, non-linear, and difficult to capture with a single model. Significant levels of model uncertainty -- arising from these characteristics -- cannot be resolved by model selection or simple ensemble methods, as performances are not homogeneous. We address this issue by proposing a novel methodology that captures spatially-varying model uncertainty, which we call spatial Bayesian predictive synthesis. Our proposal is defined by specifying a latent factor spatially-varying coefficient model as the synthesis function, which enables model coefficients to vary over the region to achieve flexible spatial model ensembling. Two MCMC strategies are implemented for full uncertainty quantification, as well as a variational inference strategy for fast point inference. We also extend the estimations strategy for general responses. A finite sample theoretical guarantee is given for the predictive performance of our methodology, showing that the predictions are exact minimax. Through simulation examples and two real data applications, we demonstrate that our proposed spatial Bayesian predictive synthesis outperforms standard spatial models and advanced machine learning methods, in terms of predictive accuracy, while maintaining interpretability of the prediction mechanism.
Abstract（参考訳）: 空間データは、しばしば複雑で非線形で、単一のモデルで捉えるのが困難である空間依存によって特徴づけられる。これらの特徴から生じる重要なモデルの不確実性のレベルは、モデル選択や単純なアンサンブルメソッドによって解決できない。本稿では,空間的ベイズ予測合成と呼ばれる空間変化モデルの不確実性を捉える手法を提案する。本提案は, 合成関数として潜在因子空間変動係数モデルを指定することで, モデル係数を各領域で変化させることにより, 柔軟な空間モデル感覚化を実現する。完全不確実性定量化のための2つのMCMC戦略と高速点推定のための変分推論戦略を実装した。また,一般応答に対する推定戦略も拡張する。提案手法の予測性能については, 有限サンプル理論的保証が与えられ, 予測が極小であることを示す。シミュレーション例と2つの実データ応用により,提案する空間ベイズ予測合成が,予測精度の面では標準空間モデルや高度な機械学習手法を上回り,予測機構の解釈可能性を維持していることを示す。

関連論文リスト

A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文参考訳（メタデータ） (2024-10-02T20:46:21Z)
Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文参考訳（メタデータ） (2024-03-11T05:35:38Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
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)
Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
論文参考訳（メタデータ） (2023-06-11T19:48:39Z)
Performative Prediction with Bandit Feedback: Learning through Reparameterization [23.039885534575966]
行動予測は、データの分布自体がモデルの展開に応じて変化する社会予測を研究するためのフレームワークである。本研究では,実行予測目標をデータ分散関数として再パラメータ化する再パラメータ化を開発する。
論文参考訳（メタデータ） (2023-05-01T21:31:29Z)
CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文参考訳（メタデータ） (2021-09-07T09:38:24Z)
Latent Space Model for Higher-order Networks and Generalized Tensor Decomposition [18.07071669486882]
我々は、複雑な高次ネットワーク相互作用を研究するために、一般的な潜在空間モデルとして定式化された統一フレームワークを導入する。一般化された多線形カーネルをリンク関数として、潜伏位置と観測データとの関係を定式化する。本手法が合成データに与える影響を実証する。
論文参考訳（メタデータ） (2021-06-30T13:11:17Z)
MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文参考訳（メタデータ） (2021-06-03T12:59:16Z)
Control as Hybrid Inference [62.997667081978825]
本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
論文参考訳（メタデータ） (2020-07-11T19:44:09Z)
Prediction of Spatial Point Processes: Regularized Method with Out-of-Sample Guarantees [23.178396031181393]
本研究では,正規化基準を用いて空間モデルを学習し,予測強度間隔を推定する手法を開発した。提案手法は,空間モデルが誤特定された場合でも,標準推定値と異なり有効であることを示す。
論文参考訳（メタデータ） (2020-07-03T10:11:59Z)

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。