[論文レビュー] A diffusion-based spatio-temporal extension of Gaussian Matérn fields

Finn Lindgren, Haakon Bakka+3 more|Edinburgh Research Explorer|Jun 8, 2020

Soil Geostatistics and Mapping被引用数 8

ひとこと要約

本論文は、確率的偏微分方程式（SPDE）として定式化することで、ガウス型マトゥルン場の拡張として、非分離的・非定常的・多様体埋め込み型の共分散構造を柔軟にモデル化できる、拡散型の空間時系列拡張を提案する。主な貢献は、R-INLAに実装された計算的に効率的でスパースな有限要素表現であり、空間的・時系列的依存性、滑らかさ、非分離性を解釈可能なパラメータで扱える。グローバル気温のモデリングにおいて実用性が示された。

ABSTRACT

Gaussian random fields with Matérn covariance functions are popular models in spatial statistics and machine learning. In this work, we develop a spatio-temporal extension of the Gaussian Matérn fields formulated as solutions to a stochastic partial differential equation. The spatially stationary subset of the models have marginal spatial Matérn covariances, and the model also extends to Whittle-Matérn fields on curved manifolds, and to more general non-stationary fields. In addition to the parameters of the spatial dependence (variance, smoothness, and practical correlation range) it additionally has parameters controlling the practical correlation range in time, the smoothness in time, and the type of non-separability of the spatio-temporal covariance. Through the separability parameter, the model also allows for separable covariance functions. We provide a sparse representation based on a finite element approximation, that is well suited for statistical inference and which is implemented in the R-INLA software. The flexibility of the model is illustrated in an application to spatio-temporal modeling of global temperature data.

研究の動機と目的

• 定常的かつ分離可能な形を越えた、柔軟で物理的根拠を持つ空間時系列ランダムフィールドモデルを構築すること。
• スパースで計算的に効率的な表現を用いて、非分離的・非定常的・多様体埋め込み型の空間時系列過程の統計的推論を可能にすること。
• 空間的・時系列的依存性、滑らかさ、非分離性を解釈可能なパラメータで扱える、実用的なR-INLAにおけるモデリングフレームワークを提供すること。
• 非分離モデルが分離可能なモデルと同等の計算的アクセス性を有することを示し、スパース性や精度行列の構造にほとんど影響を与えないこと。
• 特にグローバル気温の変動のような複雑な環境過程の予測やモデリングにおいて、モデルの実用性を実証すること。

提案手法

• 空間時系列ホワイトノイズによって駆動される確率的偏微分方程式（SPDE）として、空間時系列ガウス型フィールドを定式化し、物理的ダイナミクスをモデル構造に組み込む。
• 有限要素法（FEM）を用いてSPDEを離散化し、統合ネストドラプラス近似（INLA）による大規模推論に適したスパース精度行列を導出する。
• 分離可能な精度演算子構造を用いてモデルを構築：空間的および時系列的微分演算子をテンソル積で結合し、可換性を保ちながら効率的な計算を可能にする。
• 空間的・時系列的滑らかさ（ν）、相関範囲（κ）、分散（σ²）、非分離性（混合パラメータによる）を解釈可能なパラメータとして導入し、共分散構造の柔軟なモデリングを可能にする。
• 精度演算子における空間的変動パラメータを許容することで、非定常的および多様体埋め込み型のフィールドへの拡張を実現し、計算の tractability を維持する。
• inlabruインタフェースを介してR-INLAソフトウェアスタックに実装し、計算効率性とスケーラビリティを確保するため、cgenericメソッドを用いる。

実験結果

リサーチクエスチョン

• RQ1 物理的根拠を持つSPDE定式化によって、定常的かつ分離可能な形を越えた柔軟な非分離的空間時系列ガウス型フィールドモデルを構築できるか？
• RQ2 非分離的空間時系列共分散を、大規模データセットに対して解釈可能かつ計算的に効率的な方法でモデル化できるか？
• RQ3 非分離性は、空間時系列補間と完全な予測設定の両方において、予測性能にどの程度影響を与えるか？
• RQ4 同一の計算フレームワークが、分離可能および非分離可能な両モデルを、同等の効率性とスパース性でサポートできるか？
• RQ5 モデルのパラメータ（例：滑らかさ、相関範囲、非分離性）は、気温変動のような環境過程の背後にある物理的ダイナミクスとどのように関係するか？

主な発見

• 提案されたモデル族は、SPDE構築による明確な物理的解釈を伴い、非分離的・非定常的・多様体埋め込み型の空間時系列フィールドをサポートする。
• 非分離モデルでさえ、分離可能なモデルと同等の計算効率を達成しており、事後精度行列のスパース構造も同様のパターンを維持する。
• 非分離モデル、例えばDEMf(2,2,0)バージョンは、二重円錐型の近傍構造を示し、分離可能なモデルの空間時系列ピラミッド構造と比較してわずかに複雑性が増すにとどまる。
• 非分離性が顕著に予測性能を向上させる予測タスクでは、標準的な分離可能な代替手法を上回る性能を示すが、補間のための1点除外交差検証ではほとんど影響がない。
• フレームワークにより、SPDEを介して物理的ダイナミクスを直接モデリング可能であり、非分離性は恣意的に導入されるのではなく、拡散プロセスから自然に生じる。
• R-INLAにおけるinlabruインタフェースによる実装により、ユーザーは滑らかさ、相関範囲、非分離性を含む解釈可能なパラメータで、複雑な空間時系列モデルを簡単に指定・適合できる。