[論文レビュー] Deep Probabilistic Spatial Modeling for Multivariate Mixed-Type Responses

Yeseul Jeon, Kyeong Eun Lee+1 more|arXiv (Cornell University)|Mar 7, 2026

Soil Geostatistics and Mapping被引用数 0

ひとこと要約

We propose MultiDeepGP, a scalable framework that jointly models multivariate mixed-type spatial outcomes using a shared latent spatial component and Monte Carlo dropout to enable coherent uncertainty quantification.

ABSTRACT

Many scientific applications involve mixed spatially indexed outcomes of heterogeneous types that are driven by shared latent mechanisms. Modeling such data is challenging due to complex, nonlinear, and potentially nonstationary spatial dependence, as well as the need for coherent joint inference across mixed outcome distributions. Existing multivariate mixed outcome models often rely on restrictive linear assumptions, while recent deep learning approaches emphasize predictive flexibility but typically lack coherent joint modeling and uncertainty quantification for spatial data. We develop MultiDeepGP, a scalable and statistically principled framework for joint modeling of multivariate mixed outcomes in spatial settings. The proposed approach introduces a shared latent spatial component that governs cross-outcome dependence while allowing outcome-specific distributions. Spatial dependence and nonlinear structure are captured through a deep latent representation, and uncertainty quantification is enabled via an efficient Monte Carlo-based inference strategy. This construction balances modeling flexibility with probabilistic interpretability and computational feasibility. The proposed method is evaluated through simulation studies designed to reflect key challenges in mixed outcome spatial modeling, as well as an application to georeferenced environmental and public health data from the African Great Lakes region. The results demonstrate that the proposed framework provides accurate joint prediction and reliable uncertainty quantification in complex spatial settings.

研究の動機と目的

• 共有潜在構造を用いた混合型空間データを共同モデリングする必要性を動機づける。
• 複雑な空間依存性を捉える柔軟で非線形な共有表現を開発する。
• 共通の潜在空間プロセスを介して結果特有の分布をリンクしつつ、結果特異な分布を許容する。
• 複数のアウトカムに対する共同予測のスケーラブルな不確実性定量化を提供する。

提案手法

• クロスアウトカム依存性を支配する共有潜在空間過程H(s)を導入し、アウトカム特異的尤度と組み合わせる。
• H(s)を深層ニューラルネットワークでパラメータ化し、非線形かつ非定常な空間構造を捉える。
• 共有表現をアウトカム特異的自然パラメータへ結びつけるため、適切なリンクを用いたアウトカム特異的ヘッドで接続する。
• ニューラルネットワークを深いガウス過程として解釈し、確率的推論を可能にする。
• 予測分布と不確実性を計算する近似的変分推論戦略としてモンテカルロドロップアウトを使用する。
• 正則化された負の対数尤度をレイヤーごとのウェイト減衰で最適化して訓練し、その後MCドロップアウトを用いて予測と不確実性の定量化を行う。

実験結果

リサーチクエスチョン

• RQ1 共有潜在的空間成分は、多変量混合型空間データにおけるアウトカム間の依存性をどのように誘発できるか？
• RQ2 深い潜在表現は非線形・非定常な空間依存性を捉えつつ、アウトカム特異的分布を許容できるか？
• RQ3 MCドロップアウトは異質なアウトカムに対する共同予測のための信頼できるスケーラブルな不確実性定量化を提供するか？
• RQ4 MultiDeepGPは予測性能と較正された不確実性の点で決定論的DNNや伝統的クリギングとどう比較されるか？

主な発見

• 本フレームワークは混合型空間アウトカム間の正確な共同予測を実現する。
• MCドロップアウトによる不確実性定量化は複雑な空間設定でよく較正された予測分布を生み出す。
• 非線形・非定常な空間構造およびアウトカム間依存性に対するロバスト性を示すシミュレーション研究。
• アフリカ大湖地域の環境・公衆衛生データへの適用は実用性と一貫した共同推論を示す。