論文の概要: Extending regionalization algorithms to explore spatial process heterogeneity

• arxiv url: http://arxiv.org/abs/2206.09429v3
• Date: Wed, 10 May 2023 06:29:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-11 17:46:41.584190
• Title: Extending regionalization algorithms to explore spatial process heterogeneity
• Title（参考訳）: 空間過程の不均一性探索のための局所化アルゴリズムの拡張
• Authors: Hao Guo, Andre Python, Yu Liu
• Abstract要約: そこで本稿では,空間状態記述のための2つの新しいアルゴリズムである2段Kモデルと2段Kモデルを提案する。 これらの結果から,3つのアルゴリズムが既存手法よりも優れている,あるいは同等の性能を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 7.176845953855054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In spatial regression models, spatial heterogeneity may be considered with either continuous or discrete specifications. The latter is related to delineation of spatially connected regions with homogeneous relationships between variables (spatial regimes). Although various regionalization algorithms have been proposed and studied in the field of spatial analytics, methods to optimize spatial regimes have been largely unexplored. In this paper, we propose two new algorithms for spatial regime delineation, two-stage K-Models and Regional-K-Models. We also extend the classic Automatic Zoning Procedure to spatial regression context. The proposed algorithms are applied to a series of synthetic datasets and two real-world datasets. Results indicate that all three algorithms achieve superior or comparable performance to existing approaches, while the two-stage K-Models algorithm largely outperforms existing approaches on model fitting, region reconstruction, and coefficient estimation. Our work enriches the spatial analytics toolbox to explore spatial heterogeneous processes.
• Abstract（参考訳）: 空間回帰モデルでは、空間的不均一性は連続的あるいは離散的仕様で考えることができる。 後者は、変数間の均質な関係を持つ空間的連結領域(空間的レジーム)のデライン化に関連している。 空間分析の分野では様々な地域化アルゴリズムが提案され研究されているが、空間構造を最適化する手法はほとんど研究されていない。 本稿では,2段階のKモデルと2段階のKモデルという,空間状態のデライン化のための2つの新しいアルゴリズムを提案する。 また,従来の自動造形法を空間回帰文脈に拡張する。 提案アルゴリズムは、一連の合成データセットと2つの実世界のデータセットに適用される。 以上の結果から,3つのアルゴリズムは既存の手法よりも優れている,あるいは同等な性能を達成し,K-Modelsアルゴリズムはモデルフィッティングや領域再構成,係数推定といった既存手法よりも優れていたことが示唆された。 我々の研究は空間解析ツールボックスを充実させ、空間異質過程を探索する。

関連論文リスト

• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• Kernel Biclustering algorithm in Hilbert Spaces [8.303238963864885]
  我々は,エネルギー距離と平均誤差の最大値という概念を用いて,抽象空間における新しいモデルフリー・ビクラスタリングアルゴリズムを開発した。 提案手法は,既存の文献よりも一般的で複雑なクラスタ形状を学習することができる。 提案手法は,カーネルの適切な選択を前提として,その最適シナリオにおける最先端手法と類似している。
  論文  参考訳（メタデータ） (2022-08-07T08:41:46Z)
• STICC: A multivariate spatial clustering method for repeated geographic pattern discovery with consideration of spatial contiguity [7.376428009531946]
  理想的な空間クラスタリングは、空間的連続性と空間的属性の両方を考慮するべきである。 既存の空間クラスタリングアプローチは、空間的連続性を維持した反復的な地理的パターンを発見するための課題に直面する可能性がある。 本研究では,地理的オブジェクトの属性と空間的関係を考慮した空間的Toeplitz Inverse Covariance-Based Clustering (STICC)法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T20:58:06Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Modeling Massive Spatial Datasets Using a Conjugate Bayesian Linear Regression Framework [0.0]
  階層的モデリングフレームワークに簡単に組み込むことのできる、様々なスケーラブルな空間プロセスモデルが提案されている。 本稿では,空間過程の推論を迅速に行うことができる共役ベイズ線形回帰モデルとして,点参照空間過程モデルをどうキャストするかを論じる。
  論文  参考訳（メタデータ） (2021-09-09T17:46:00Z)
• A local approach to parameter space reduction for regression and classification tasks [0.0]
  そこで本研究では, クラスタリング手法を用いて, アクティブ部分空間のシナジーを探索する, ローカルアクティブ部分空間 (LAS) と呼ばれる新しい手法を提案する。 LASは、サロゲートモデリングに取り組んでいるコミュニティにとって特に有用である。
  論文  参考訳（メタデータ） (2021-07-22T18:06:04Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。