[論文レビュー] Going off grid: Computationally efficient inference for log-Gaussian Cox processes

Daniel Simpson, Janine Illian+3 more|arXiv (Cornell University)|Nov 1, 2011

Soil Geostatistics and Mapping参考文献 36被引用数 11

ひとこと要約

本稿では、滑らかさの条件下で任意の高次収束を達成する、連続的に指定されたガウスランダムフィールドを用いた尤度の直接近似により、対数ガウス型コックス過程の計算的に効率的な推論手法を提案する。これは、格子ベースの手法の O(p⁻¹) の限界を超える。このアプローチは、確率的偏微分方程式と有限要素法を活用し、海洋やサンプリングギャップのある領域など、複雑な領域でも、統合ネストドラプラスティック近似を用いた高速な推論を可能にする。

ABSTRACT

This paper introduces a new method for performing computational inference on log-Gaussian Cox processes. The likelihood is approximated directly by making novel use of a continuously specified Gaussian random field. We show that for sufficiently smooth Gaussian random field prior distributions, the approximation can converge with arbitrarily high order, while an approximation based on a counting process on a partition of the domain only achieves first-order convergence. The given results improve on the general theory of convergence of the stochastic partial differential equation models, introduced by Lindgren et al. (2011). The new method is demonstrated on a standard point pattern data set and two interesting extensions to the classical log-Gaussian Cox process framework are discussed. The first extension considers variable sampling effort throughout the observation window and implements the method of Chakraborty et al. (2011). The second extension constructs a log-Gaussian Cox process on the world's oceans. The analysis is performed using integrated nested Laplace approximation for fast approximate inference.

研究の動機と目的

• 対数ガウス型コックス過程の推論における、標準的な格子ベースの近似の計算非効率性を解消すること。
• 離散的格子近似を回避することで、任意の高次収束を達成する手法を開発すること。
• グローバルな海洋や欠損データのある領域など、複雑な観測ウィンドウでも効率的な推論を可能にすること。
• 空間点過程の文脈における確率的偏微分方程式（SPDE）モデルの収束理論を改善すること。
• 非自明なサンプリング構造を有する実世界の生態学的・海洋学的データへの適用を示すこと。

提案手法

• 離散的格子ではなく、連続的ガウスランダムフィールド事前分布を用いることで、数え上げベースの近似の O(p⁻¹) 収束限界を回避する。
• ガウスフィールドのSPDE表現を解くために有限要素法（FEM）を適用し、高次元の空間離散化を実現する。
• 潜在フィールドの連続的有限次元表現を用いて尤度を直接近似し、セルベースのポアソン近似を回避する。
• 近似事後分布に対する高速で決定的なベイズ推論のために、統合ネストドラプラス近似（INLA）を用いる。
• フィールドが十分に滑らかである場合には、切り捨てられたカラフネン–ローブ展開を用いて高次収束を達成する。
• FEMおよびSPDEベースの事前分布における強い収束結果を活用し、滑らかさの条件下で事後分布の収束を保証する。

実験結果

リサーチクエスチョン

• RQ1 対数ガウス型コックス過程におけるガウスランダムフィールドの連続的近似は、格子ベースの手法よりも高次収束を達成できるか？
• RQ2 連続的有限次元近似を用いた場合の、事後分布の理論的収束速度は何か？
• RQ3 グローバルな海洋やサンプリングギャップのある領域といった、複雑な観測ウィンドウにおいて、この手法はどのように性能を発揮するか？
• RQ4 この手法は、存在のみデータにおける変動するサンプリング効率に対応できるか？
• RQ5 フィールドの滑らかさが、事後分布近似の収束速度に与える影響は何か？

主な発見

• 提案手法は、下位のガウスランダムフィールドの滑らかさに制限されない、任意の高次収束を事後分布近似で達成する。
• 滑らかなフィールドでは、事後期待値の誤差が任意の ε > 0 に対して O(h^{1−ε}) の速度で減少し、格子ベース手法の O(p⁻¹) より顕著に優れている。
• 本手法は、従来の格子手法では計算的に非現実的であるグローバル海洋のような複雑な領域でも、高精度な推論を可能にする。
• 本手法は、存在のみデータにおける変動するサンプリング効率に対しても適応可能であり、Chakrabortyら（2011）のフレームワークを拡張する。
• 理論的分析により、正則性条件の下で事後分布の強い収束が確認され、収束速度はフィールドの滑らかさと空間離散化に依存する。
• 数値結果から、連続的フィールド表現と高次積分スキームのおかげで、粗いグリッドでも高い精度を維持することが示された。