論文の概要: Feature-free regression kriging

• arxiv url: http://arxiv.org/abs/2507.07382v1
• Date: Thu, 10 Jul 2025 02:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.253535
• Title: Feature-free regression kriging
• Title（参考訳）: 特徴のないレグレッション・クリグ
• Authors: Peng Luo, Yilong Wu, Yongze Song,
• Abstract要約: 本研究では,外部説明変数を必要とせずに回帰に基づくトレンドサーフェスを構築するためのFFRK(Feature-Free Regression Kriging)手法を提案する。 オーストラリアの鉱業地域における重金属3種の空間分布予測実験を行った。 提案手法は空間的非定常性に効果的に対処し,説明変数の取得コストを低減し,予測精度と能力の両方を改善した。
• 参考スコア（独自算出の注目度）: 4.270650728191168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial interpolation is a crucial task in geography. As perhaps the most widely used interpolation methods, geostatistical models -- such as Ordinary Kriging (OK) -- assume spatial stationarity, which makes it difficult to capture the nonstationary characteristics of geographic variables. A common solution is trend surface modeling (e.g., Regression Kriging, RK), which relies on external explanatory variables to model the trend and then applies geostatistical interpolation to the residuals. However, this approach requires high-quality and readily available explanatory variables, which are often lacking in many spatial interpolation scenarios -- such as estimating heavy metal concentrations underground. This study proposes a Feature-Free Regression Kriging (FFRK) method, which automatically extracts geospatial features -- including local dependence, local heterogeneity, and geosimilarity -- to construct a regression-based trend surface without requiring external explanatory variables. We conducted experiments on the spatial distribution prediction of three heavy metals in a mining area in Australia. In comparison with 17 classical interpolation methods, the results indicate that FFRK, which does not incorporate any explanatory variables and relies solely on extracted geospatial features, consistently outperforms both conventional Kriging techniques and machine learning models that depend on explanatory variables. This approach effectively addresses spatial nonstationarity while reducing the cost of acquiring explanatory variables, improving both prediction accuracy and generalization ability. This finding suggests that an accurate characterization of geospatial features based on domain knowledge can significantly enhance spatial prediction performance -- potentially yielding greater improvements than merely adopting more advanced statistical models.
• Abstract（参考訳）: 空間補間は地理において重要な課題である。 おそらく最も広く使われている補間法と同様に、正規クリギング(OK)のような地理統計モデルは空間的定常性を前提としており、変数の非定常特性を捉えることは困難である。 一般的な解はトレンド曲面モデリング(Regression Kriging, RK)であり、これはその傾向をモデル化するために外部説明変数に依存し、その残差に統計的補間を適用する。 しかし、このアプローチは高品質で容易に利用できる説明変数を必要としており、地下の重金属濃度を推定するなど、多くの空間補間シナリオに欠けていることが多い。 本研究では, 局所的依存性, 局所的不均一性, 地理的相似性を含む空間的特徴を自動的に抽出し, 外部説明変数を必要とせずに回帰に基づく傾向曲面を構築するFFRK法を提案する。 オーストラリアの鉱業地域における重金属3種の空間分布予測実験を行った。 17種類の古典的補間法と比較して、FFRKは説明変数を含まないが、抽出された空間的特徴にのみ依存しており、従来のクリグ技術と説明変数に依存する機械学習モデルよりも一貫して優れていた。 提案手法は,説明変数の取得コストを低減し,予測精度と一般化能力の両方を改善しつつ,空間的非定常性に効果的に対処する。 この発見は、領域知識に基づく地理空間的特徴の正確な特徴づけは、空間予測性能を著しく向上させる可能性があることを示唆している。

関連論文リスト

• Gradient Boosting for Spatial Regression Models with Autoregressive Disturbances [0.0]
  自己回帰障害を伴う空間回帰モデルに対して,新しいモデルに基づく勾配促進アルゴリズムを提案する。 このアルゴリズムは、高次元の設定でも実現可能な代替推定手順を提供する。 ケーススタディでは、潜在的な空間依存構造を取り入れたドイツ地区の寿命をモデル化する。
  論文  参考訳（メタデータ） (2025-06-16T16:40:47Z)
• Geometric Regularity in Deterministic Sampling of Diffusion-based Generative Models [39.94246633953425]
  決定論的サンプリング力学における顕著な幾何学的規則性を明らかにする。 すべての軌道は、モデルアーキテクチャ、適用条件、生成された内容に関わらず、ほぼ同じ「ボメラン」形状を示す。 提案手法は,サンプリング時間スケジュールと基礎となる軌道構造との整合性を向上する動的プログラミングに基づくスキームを提案する。
  論文  参考訳（メタデータ） (2025-06-11T21:09:09Z)
• An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
  地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。 地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。 我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
  論文  参考訳（メタデータ） (2025-02-10T05:44:54Z)
• Trivialized Momentum Facilitates Diffusion Generative Modeling on Lie Groups [37.78638937228254]
  本稿では、自明化と呼ばれる手法がユークリッド空間における拡散モデルの有効性をリー群に伝達する方法を示す。 タンパク質とRNAのねじれ角の生成と高度なトーラスデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-05-25T23:53:07Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• GWRBoost:A geographically weighted gradient boosting method for explainable quantification of spatially-varying relationships [11.025779617297946]
  本稿では,重み付き回帰モデルGWRBoostを提案する。 提案モデルでは,パラメータ推定精度が18.3%,AICcが67.3%,適合性が67.3%向上した。
  論文  参考訳（メタデータ） (2022-12-12T10:24:47Z)
• Mitigation of Spatial Nonstationarity with Vision Transformers [1.690637178959708]
  深層学習モデル予測性能に対する2種類の測地的空間非定常性の影響を示す。 本稿では,自己注意モデル(ビジョン・トランスフォーマー)を用いて,そのような影響の緩和を提案する。
  論文  参考訳（メタデータ） (2022-12-09T02:16:05Z)
• 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)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Geostatistical Learning: Challenges and Opportunities [0.0]
  本稿では,地理統計学的(移動)学習問題を紹介し,地理空間データからの学習の課題を説明する。 合成ガウス過程データとニュージーランドの地球物理調査の実データを用いた実験は、いずれの手法も地理空間的文脈におけるモデル選択に適していないことを示している。
  論文  参考訳（メタデータ） (2021-02-17T14:33:15Z)

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。