[論文レビュー] Multivariate Gaussian Random Fields Using Systems of Stochastic Partial Differential Equations

Xiangping Hu, Daniel Simpson+2 more|arXiv (Cornell University)|Jul 4, 2013

Soil Geostatistics and Mapping参考文献 39被引用数 18

ひとこと要約

この論文は、スパム・ガウスノイズと決定論的係数の組み合わせによって駆動される、確率的偏微分方程式（SPDE）系を用いた多変量ガウスランダムフィールド（GRF）の構築法を提案する。この手法により、正定値性が自動的に満たされ、スパム・ガウスマルコフ・ランダムフィールド（GMRF）近似を用いた計算が効率的に行える。本手法は、球面のような複雑な定義域でも柔軟にモデル化でき、実データにおいて既存のモデルを上回る性能を示す。計算の高速化はスパム行列アルゴリズムによって実現される。

ABSTRACT

In this paper a new approach for constructing \emph{multivariate} Gaussian random fields (GRFs) using systems of stochastic partial differential equations (SPDEs) has been introduced and applied to simulated data and real data. By solving a system of SPDEs, we can construct multivariate GRFs. On the theoretical side, the notorious requirement of non-negative definiteness for the covariance matrix of the GRF is satisfied since the constructed covariance matrices with this approach are automatically symmetric positive definite. Using the approximate stochastic weak solutions to the systems of SPDEs, multivariate GRFs are represented by multivariate Gaussian \emph{Markov} random fields (GMRFs) with sparse precision matrices. Therefore, on the computational side, the sparse structures make it possible to use numerical algorithms for sparse matrices to do fast sampling from the random fields and statistical inference. Therefore, the \emph{big-n} problem can also be partially resolved for these models. These models out-preform existing multivariate GRF models on a commonly used real dataset.

研究の動機と目的

• 柔軟で有効な多変量GRFを構築する課題に取り組み、共分散行列が自動的に正定値となるようにすること。
• 多変量空間モデリングにおける大規模データ（「big-n」問題）に起因する計算負荷を軽減すること。
• 既存のSPDEベースのGRFフレームワークを、解釈性と柔軟性を向上させた多変量設定に拡張すること。
• 球面のような非ユークリッド的定義域におけるモデリングを可能とし、空間統計における応用範囲を広げること。
• 多変量GRFのための従来の共分散ベースやLMCアプローチの代替手段として、計算的に効率的な手法を提供すること。

提案手法

• 各フィールドがガウス白色ノイズと決定論的係数の組み合わせによって駆動されるSPDE系を解くことで、多変量GRFを構築する。
• 有限要素法を用いてSPDE系を離散化し、GMRFの形でスパム精度行列を表現する。
• 得られたGMRFはメッシュ離散化に起因するスパム性を継承し、スパム行列アルゴリズムを用いて高速なサンプリングと推論が可能になる。
• SPDE構築により共分散行列の正定値性が自動的に保証され、手動での検証が不要になる。
• SPDE系をリーマン多様体上で再解釈することで、球面などの多様体への応用が可能になる。
• ベイズ推論のための統合ネストドラプラスティック近似（INLA）手法と互換性があり、複雑な多変量空間モデルのスケーラブルな事後分布計算が可能になる。

実験結果

リサーチクエスチョン

• RQ1 SPDE系を用いて、保証された正定値共分散行列を持つ多変量GRFを構築できるか？
• RQ2 SPDEベースのアプローチは、既存の多変量GRFモデルと比較して、計算効率および予測性能の面でどのように異なるか？
• RQ3 SPDEフレームワークは、球面のような非ユークリッド的定義域へどの程度拡張可能か？
• RQ4 本手法は、従来のLMCや共分散ベースのモデルに見られる対称性制約を回避できるか？
• RQ5 モデル構造（例：三角行列型対比して完全なSPDE系）が、多変量GRFにおける同定可能性と推論に与える影響はいかほどか？

主な発見

• SPDEベースの構築により、得られる共分散行列が自動的に対称正定値になることが保証され、手動での検証が不要になる。
• GRFがスパムGMRFとして表現されることで、高速なサンプリングと推論が可能となり、大規模データに対する計算コストが顕著に削減される。
• 提案されたモデルは、一般的に用いられる実データセットにおいて、既存の多変量GRFモデルを上回る性能を示し、優れた予測性能を実証した。
• フレームワークは、球面のような多様体におけるモデリングをサポートしており、平坦なユークリッド空間を超えた応用範囲を拡大している。
• INLAフレームワークと互換性があるため、複雑な多変量空間モデルにおける効率的なベイズ推論が可能になった。
• ノイジー効果の推定器における重みの使用は、提案モデルのもとで不偏であることが示され、分散分解を用いた理論的根拠が提示された。