論文の概要: Deep classifier kriging for probabilistic spatial prediction of air quality index

• arxiv url: http://arxiv.org/abs/2512.23474v1
• Date: Mon, 29 Dec 2025 13:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.525314
• Title: Deep classifier kriging for probabilistic spatial prediction of air quality index
• Title（参考訳）: 空気質指数の確率的空間予測のための深部分類器クリグ
• Authors: Junyu Chen, Pratik Nag, Huixia Judy-Wang, Ying Sun,
• Abstract要約: textitdeep Classifier kriging (DCK) は、完全な予測分布関数を推定するための柔軟で分散のないディープラーニングフレームワークである。 DCKは予測精度と不確実性定量化において従来の手法より一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.289713160499385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate spatial interpolation of the air quality index (AQI), computed from concentrations of multiple air pollutants, is essential for regulatory decision-making, yet AQI fields are inherently non-Gaussian and often exhibit complex nonlinear spatial structure. Classical spatial prediction methods such as kriging are linear and rely on Gaussian assumptions, which limits their ability to capture these features and to provide reliable predictive distributions. In this study, we propose \textit{deep classifier kriging} (DCK), a flexible, distribution-free deep learning framework for estimating full predictive distribution functions for univariate and bivariate spatial processes, together with a \textit{data fusion} mechanism that enables modeling of non-collocated bivariate processes and integration of heterogeneous air pollution data sources. Through extensive simulation experiments, we show that DCK consistently outperforms conventional approaches in predictive accuracy and uncertainty quantification. We further apply DCK to probabilistic spatial prediction of AQI by fusing sparse but high-quality station observations with spatially continuous yet biased auxiliary model outputs, yielding spatially resolved predictive distributions that support downstream tasks such as exceedance and extreme-event probability estimation for regulatory risk assessment and policy formulation.
• Abstract（参考訳）: 複数の大気汚染物質の濃度から計算される空気質指数(AQI)の正確な空間補間は規制決定に不可欠であるが、AQIフィールドは本質的に非ガウス的であり、複雑な空間構造を示すことが多い。 クリグのような古典的な空間予測法は線型であり、ガウスの仮定に依存しており、これらの特徴を捉え、信頼できる予測分布を提供する能力を制限する。 本研究では,一変量および二変量空間過程の完全な予測分布関数を推定するための,柔軟な分布自由なディープラーニングフレームワークである \textit{deep classifier kriging} (DCK) と,非凝集二変量過程のモデリングと異種大気汚染データソースの統合を可能にする \textit{data fusion} 機構を提案する。 シミュレーション実験により、DCKは予測精度と不確実性定量化において従来の手法より一貫して優れていることを示す。 さらに、空間的連続かつ偏りのある補助モデル出力でスパースかつ高品質な局観測を融合させることにより、DCKをAQIの確率的空間予測に適用し、規制リスク評価と政策定式化のために、超過や極端変動確率推定などの下流タスクをサポートする空間的に決定された予測分布を得る。

関連論文リスト

• Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
  我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。 これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
  論文  参考訳（メタデータ） (2025-11-28T07:15:40Z)
• Spatial Conformal Inference through Localized Quantile Regression [6.992239210938067]
  等角予測はパラメトリックな仮定に頼ることなく有効な予測間隔を提供する。 本研究では,空間データに特化して設計された共形予測法である局所空間整形予測(L SCP)を提案する。 L SCP は既存の手法に比べて非常に厳密で一貫した予測間隔で正確なカバレッジを実現する。
  論文  参考訳（メタデータ） (2024-12-02T04:15:06Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• DeepKriging: Spatially Dependent Deep Neural Networks for Spatial Prediction [2.219504240642369]
  空間統計学において、共通の目的は、空間依存を利用して、観測されていない場所での空間過程の値を予測することである。 DeepKriging法はガウスの場合にはKrigingと直接リンクしており、非ガウスおよび非定常データに対してKrigingよりも多くの利点がある。 本手法を米国大陸におけるPM2.5濃度の予測に適用する。
  論文  参考訳（メタデータ） (2020-07-23T12:38:53Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Towards a Kernel based Uncertainty Decomposition Framework for Data and Models [20.348825818435767]
  本稿では,データとモデルの両方において予測の不確実性を定量化する新しいフレームワークを提案する。 我々は,このフレームワークを,点予測ニューラルネットワークモデルの予測不確実性定量化のためのサロゲートツールとして応用する。
  論文  参考訳（メタデータ） (2020-01-30T18:35:36Z)

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。