論文の概要: Divide-and-Conquer Neural Bayes Estimation for Spatial and Spatiotemporal Point Process Models
- arxiv url: http://arxiv.org/abs/2610.27619v1
- Date: Tue, 20 Oct 2026 04:35:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.635021
- Title: Divide-and-Conquer Neural Bayes Estimation for Spatial and Spatiotemporal Point Process Models
- Title（参考訳）: 時空間および時空間点過程モデルのための分数的および対数的ニューラルベイ推定
- Abstract要約: 本研究では,空間的および時間的点過程モデルのための分割・対数ニューラルベイズ推定フレームワークを提案する。
本手法は,高密度時間領域の高密度分割上でのトランスフォーマーアーキテクチャを用いて,生点パターンの実現を直接行う。
北海道ケープコッド湾におけるクジラ呼び出しデータの解析を通じて,本手法の有効性を実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial and spatiotemporal point process models are widely used to analyze event data across many scientific disciplines, but likelihood-based Bayesian inference is often computationally prohibitive due to intractable likelihoods, high-dimensional latent structures, and dependence on event history. Existing approximate and likelihood-free methods mitigate some of these challenges, but often at the cost of reduced statistical efficiency, imperfect uncertainty quantification, or information loss from reliance on predefined summary statistics. A promising recent approach involves neural networks, but it has only been explored in purely spatial or temporal settings and requires a computationally expensive training stage for large domains or dense point patterns. Here, we propose a divide-and-conquer neural Bayes estimation framework for spatial and spatiotemporal point process models. Our method operates directly on raw point pattern realizations using transformer-based architectures on partitions of the spatiotemporal domain, together with an attention mechanism to optimally combine locally extracted summaries. Simulation studies demonstrate reliable inference with improved scalability relative to existing general-purpose neural inference approaches and classical likelihood-based methods. We further demonstrate the practical applicability of our approach through an analysis of whale call data in Cape Cod Bay, MA, where, once trained, the estimator yields parameter estimates and credible intervals at negligible computational cost.
- Abstract（参考訳）: 空間的および時空間的プロセスモデルは、多くの科学分野にわたる事象データを解析するために広く用いられているが、確率に基づくベイズ推定は、難解な可能性、高次元の潜伏構造、事象履歴への依存のため、しばしば計算的に禁止される。
既存の近似的かつ可能性のない手法はこれらの課題のいくつかを緩和するが、しばしば統計効率の低下、不完全な不確実な定量化、あるいは事前定義された要約統計に依存する情報損失といったコストがかかる。
最近の有望なアプローチにはニューラルネットワークが含まれるが、これは純粋に空間的あるいは時間的設定でのみ探索されており、大きなドメインや高密度なポイントパターンのための計算コストのかかるトレーニングステージを必要とする。
本稿では空間的および時空間的点過程モデルのための分割・対数ニューラルベイズ推定フレームワークを提案する。
提案手法は,時空間分割におけるトランスフォーマーアーキテクチャを用いた生点パターンの実現と,局所的に抽出した要約を最適に結合するアテンション機構を併用する。
シミュレーション研究は、既存の汎用神経推論手法や古典的可能性に基づく手法と比較して、信頼性の高い推論を改良した。
さらに,MAのケープコッド湾における捕鯨データの解析を通じて,提案手法の実践的適用性を実証した。
関連論文リスト
- Bayesian Neural Scaling Law Extrapolation with Prior-Data Fitted Networks [100.13335639780415]
スケーリング法則は、しばしばパワーローに従っており、より大きなスケールでのスケーリングの振る舞いを予測するために、パワーロー関数のいくつかの変種を提案した。
既存の手法は主に点推定に依存しており、現実のアプリケーションにとって欠かせない不確実性を定量化しない。
本研究では,ニューラルスケーリング法外挿のためのPFNに基づくベイズフレームワークについて検討する。
論文 参考訳（メタデータ） (2025-05-29T03:19:17Z) - In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。
実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
論文 参考訳（メタデータ） (2025-02-17T10:00:24Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - 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) - Mixed moving average field guided learning for spatio-temporal data [0.0]
我々は,新しいベイズ時間埋め込みと理論誘導型機械学習アプローチを定義し,アンサンブル予測を行う。
リプシッツ予測器を用いて、バッチ学習環境における固定時間および任意の時間PACを決定する。
次に、線形予測器とOrnstein-Uhlenbeckプロセスからシミュレーションしたデータセットを用いて学習手法の性能を検証した。
論文 参考訳（メタデータ） (2023-01-02T16:11:05Z) - DeepBayes -- an estimator for parameter estimation in stochastic
nonlinear dynamical models [11.917949887615567]
本研究では,DeepBayes推定器を提案する。
ディープリカレントニューラルネットワークアーキテクチャはオフラインでトレーニングでき、推論中にかなりの時間を節約できる。
提案手法の異なる実例モデルへの適用性を実証し, 最先端手法との詳細な比較を行う。
論文 参考訳（メタデータ） (2022-05-04T18:12:17Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Prediction with Spatio-temporal Point Processes with Self Organizing
Decision Trees [0.0]
私たちはこの問題に新しいアプローチを導入します。
我々のアプローチは、非定常かつ自己興奮的なプロセスであるホークスプロセスに基づいている。
実生活データに関する実験結果を提供する。
論文 参考訳（メタデータ） (2020-03-07T20:39:31Z) - A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。
基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-02-21T23:10:50Z)
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。