[論文レビュー] Fused Gaussian Process for Very Large Spatial Data

Pulong Ma, Emily L. Kang|arXiv (Cornell University)|Feb 28, 2017

Soil Geostatistics and Mapping参考文献 55被引用数 10

ひとこと要約

本稿では、非パラメトリックで次元削減を行う成分と、パラメトリックでスパースな共分散構造を持つ成分を組み合わせることで、非常に大きな空間的データセットをモデリングするための半パラメトリック手法、Fused Gaussian Process (FGP) を提案する。この手法は、計算を効率的に行い、推論を堅牢に行うことができ、シミュレートされたデータおよび実際の衛星データにおいて、従来の手法よりもスケーラビリティとモデルの誤指定に対する耐性に優れている。

ABSTRACT

With the development of new remote sensing technology, large or even massive spatial datasets covering the globe becomes available. Statistical analysis of such data is challenging. This article proposes a semiparametric approach to model large or massive spatial datasets. In particular, a Gaussian process with additive components is proposed, with its covariance structure consisting of two components: one component is flexible without assuming a specific parametric covariance function but is able to achieve dimension reduction; the other is parametric and simultaneously induces sparsity. The inference algorithm for parameter estimation and spatial prediction is devised. The resulting spatial prediction method that we call fused Gaussian process (FGP), is applied to simulated data and a massive satellite dataset. The results demonstrate the computational and inferential benefits of the FGP over competing methods and show that the FGP is more flexible and robust against model misspecification.

研究の動機と目的

• 現代のリモートセンシング技術から得られる非常に大きな空間的データセットを分析する上での計算的および推論的課題に対処すること。
• 共分散構造に対して厳密なパラメトリック仮定を必要としないが、柔軟性がありながらも計算効率の高い手法を開発すること。
• グローバルスケールの空間データに対して、スケーラブルな空間予測とパrameter推定を可能にすること。
• 従来のガウス過程手法と比較して、モデルの誤指定に対する耐性を高めること。

提案手法

• FGP は、空間的共分散を二つの成分の和としてモデル化する：非パラメトリックで柔軟な成分（特定のパラメトリック形式を仮定しない次元削減を可能にする）。
• 第二の成分はパラメトリックであり、共分散行列のスパarsityを明示的に誘導することで計算コストを低減する。
• 非パラメトリック成分に対して低ランク近似を用いることで、計算スケーラビリティを達成する。
• 共分散の加法的構造を活用して、パrameter推定と空間予測の同時推定のための推論アルゴリズムを開発する。
• 非パラメトリック手法の柔軟性と、スパースなパラメトリックモデルの効率性を組み合わせる。
• 得られたモデルは、大規模な空間データ解析を目的として設計された Fused Gaussian Process (FGP) と呼ばれる。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドなガウス過程モデルは、大規模な空間的データセットに対して、計算効率とモデルの柔軟性の両方を達成できるか？
• RQ2 予測精度と計算速度の観点から、FGP は既存の手法と比較してどの程度優れているか？
• RQ3 標準的なパラメトリック GP モデルと比較して、FGP はどの程度モデルの誤指定に対して耐性を示すか？
• RQ4 非パラメトリック成分は、既知のパラメトリック共分散関数を仮定せずに、次元削減を効果的に実現できるか？
• RQ5 数百万の観測値を含むグローバルスケールの衛星データに対して、FGP はどの程度スケーラブルに機能するか？

主な発見

• Fused Gaussian Process は、大規模な空間的データセットに適用した際、競合手法に比べて顕著な計算上の利点を示した。
• 真の共分散構造が仮定されたパラメトリック形式から逸脱しても、この手法は頑健な性能を維持した。
• 非パラメトリック成分は、事前に指定されたパラメトリック共分散関数を必要とせずに、効果的に次元削減を実現した。
• 大規模な衛星データセットにおいて、FGP は標準的な GP 手法と比較して、著しく短い計算時間で正確な空間予測を提供した。
• 特に高次元の空間設定において、予測精度とスケーラビリティの両面で、FGP は既存のアプローチを上回った。