論文の概要: Decoupling Distance and Networks: Hybrid Graph Attention-Geostatistical Methods for Spatio-temporal Risk Mapping

• arxiv url: http://arxiv.org/abs/2603.08393v1
• Date: Mon, 09 Mar 2026 13:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.116675
• Title: Decoupling Distance and Networks: Hybrid Graph Attention-Geostatistical Methods for Spatio-temporal Risk Mapping
• Title（参考訳）: 距離とネットワークの疎結合:時空間リスクマッピングのためのハイブリッドグラフアテンション-ジオ統計法
• Authors: Toba Temitope Bamidele, Ezra Gayawan, Femi Barnabas Adebola, Olatunji Johnson,
• Abstract要約: 我々は,動的グラフ注意ネットワーク(GATv2)の非線形,注意に基づく表現学習機能と,モデルベース統計学(MBG)による潜在ガウス空間過程を統合する,統計的に原理化されたハイブリッド・モデリング・フレームワークを提案する。 予測精度,キャリブレーション,不確実性の定量化を従来の統計モデルとスタンドアロンのGATv2アーキテクチャと比較し,制御されたシミュレーション研究とマラリアの有病率データの応用分析により評価した。 シミュレーションの結果, ハイブリッドモデルは, 距離ベースと構造を考慮した複雑な空間的・時間的過程をモデル化するための, 統計的に一貫性があり, 実証的に堅牢な枠組みを構成することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate spatial prediction and rigorous uncertainty quantification are central to modern spatial epidemiology and environmental risk analysis. We introduce a statistically principled hybrid modelling framework that integrates the nonlinear, attention-based representation learning capabilities of a dynamic Graph Attention Network (GATv2) with a latent Gaussian spatial process from model-based geostatistics (MBG). This framework jointly captures relational dependence encoded in graph structures and continuous spatial dependence governed by physical proximity. We evaluate the proposed model via a controlled simulation study and an applied analysis of malaria prevalence data, comparing its predictive accuracy, calibration, and uncertainty quantification against classical geostatistical models and standalone GATv2 architectures. Our analyses show that GATv2 captures complex nonlinear interactions but fails to account for residual spatial autocorrelation, resulting in miscalibrated predictive distributions. Conversely, geostatistical models provide coherent uncertainty quantification through structured covariance functions yet are constrained by linear predictor assumptions and by their reliance on Euclidean distance to encode spatial structure. By integrating attention mechanisms and nonlinear features with an explicit probabilistic spatial random field, the hybrid model captured the relational dependence, consistently improved predictive accuracy, and provided more realistic uncertainty quantification in both simulation and applied settings. Overall, the findings demonstrate that the hybrid model constitutes a statistically coherent and empirically robust framework for modelling complex spatial and spatio-temporal processes in settings where both distance-based and structure-based dependencies operate.
• Abstract（参考訳）: 正確な空間予測と厳密な不確実性定量化は、現代の空間疫学と環境リスク分析の中心である。 本稿では,動的グラフ注意ネットワーク(GATv2)の非線形,注目に基づく表現学習機能と,モデルベース統計学(MBG)による潜在ガウス空間過程を統合する,統計的に原理化されたハイブリッド・モデリング・フレームワークを提案する。 このフレームワークは、グラフ構造に符号化された関係依存と、物理的近接によって支配される連続空間依存を共同でキャプチャする。 予測精度,キャリブレーション,不確実性の定量化を従来の統計モデルとスタンドアロンのGATv2アーキテクチャと比較し,制御されたシミュレーション研究とマラリアの有病率データの応用分析により評価した。 解析の結果,GATv2は複雑な非線形相互作用を捕捉するが,空間的自己相関の残差を考慮できないことが判明した。 逆に、統計モデルは、構造的共分散関数によるコヒーレント不確実性定量化を提供するが、線形予測的仮定や、ユークリッド距離に依存して空間構造を符号化する。 注意機構と非線形特徴を明示的な確率的空間ランダム場と統合することにより、ハイブリッドモデルは関係依存を捕捉し、予測精度を一貫して改善し、シミュレーションと適用設定の両方においてより現実的な不確実性定量化を提供する。 以上の結果から, ハイブリッドモデルは, 距離依存と構造依存の両方が作用する環境下で, 複雑な空間的・時空間的過程をモデル化するための, 統計的に一貫性があり, 実証的に堅牢な枠組みを構成することが明らかとなった。

関連論文リスト

• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape [44.99833362998488]
  我々は、GAMLSSの原理的解釈可能性と、計算にスケーラブルな共有基底分解をブレンドした、位置、スケール、形状のためのニューラル基底モデルをデプロイする。 複数の市場領域で実験が行われ、分布型ニューラルネットワークに匹敵する確率論的予測性能を達成した。
  論文  参考訳（メタデータ） (2024-11-21T08:17:53Z)
• Reservoir Static Property Estimation Using Nearest-Neighbor Neural Network [0.0]
  本稿では, 近接ニューラルネットワークを用いた貯水池モデルにおける静的特性の空間分布の推定手法を提案する。 それは、データポイント間の局所的な空間的関係を捉え、プロセスに固有の不確実性を定量化するためにランダム化を導入する最も近い隣人を含んでいる。
  論文  参考訳（メタデータ） (2024-09-04T08:53:24Z)
• BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees [0.0]
  本稿では,ガウス過程空間モデルとベイズ加法回帰木(BART)モデルの組み合わせについて検討する。 マルコフ連鎖モンテカルロとIntegrated Nested Laplace Approximation (INLA)技術を組み合わせることにより、アプローチの計算負担を低減させる。 次に、このモデルを用いてケニアの人文的反応を予測し、複雑なサンプリング設計を用いてデータを収集する。
  論文  参考訳（メタデータ） (2023-09-23T05:35:17Z)
• Assessment of Spatio-Temporal Predictors in the Presence of Missing and Heterogeneous Data [23.280400290071732]
  ディープラーニングアプローチは、複雑さとスケールの増大にもかかわらず、現代的なデータのモデリングにおいて、卓越した予測性能を達成する。 予測モデルの品質を評価することは、従来の統計的仮定がもはや持たないため、より困難になる。 本稿では,時間的・時間的予測型ニューラルモデルの最適性を評価するための残差分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-03T12:55:08Z)
• Bayesian Spatial Predictive Synthesis [8.66529877559667]
  空間依存は、空間データ分析と予測において、一般的で重要な問題である。 本研究では,空間的に変化するモデルの不確実性を捉える新しいベイズアンサンブル手法を提案する。 本手法は, 予測性能に対する有限サンプル理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-03-10T07:16:29Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)

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。