[論文レビュー] On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction

Christoph Muehlmann, Klaus Nordhausen+1 more|arXiv (Cornell University)|Jul 1, 2020

Blind Source Separation Techniques参考文献 32被引用数 16

ひとこと要約

本稿では、空間的ブラインド・ソース分離（SBSS）を前処理として用いる新しい空間予測フレームワークを提案する。この手法は、多次元空間データを独立した単変量成分に分解することで、単変量のクリギング予測を簡素化する。シミュレーションおよび実際の地球化学的データにおいて、従来の共クリギングやニューラルネットワークと同等またはそれ以上の性能を示し、特にSBSSモデルの仮定が成り立つ場合には顕著な優位性を示す。これにより、相関関係を分離することで多次元予測を簡素化でき、性能の損失を最小限に抑えられることを実証した。

ABSTRACT

Multivariate measurements taken at irregularly sampled locations are a common form of data, for example in geochemical analysis of soil. In practical considerations predictions of these measurements at unobserved locations are of great interest. For standard multivariate spatial prediction methods it is mandatory to not only model spatial dependencies but also cross-dependencies which makes it a demanding task. Recently, a blind source separation approach for spatial data was suggested. When using this spatial blind source separation method prior the actual spatial prediction, modelling of spatial cross-dependencies is avoided, which in turn simplifies the spatial prediction task significantly. In this paper we investigate the use of spatial blind source separation as a pre-processing tool for spatial prediction and compare it with predictions from Cokriging and neural networks in an extensive simulation study as well as a geochemical dataset.

研究の動機と目的

• 空間的ブラインド・ソース分離（SBSS）が、相関関係を分離することで多次元空間予測を簡素化する有効な前処理ツールとして機能するかどうかを調査すること。
• シミュレーションおよび実世界の空間データにおいて、SBSS-クリギングの予測性能を古典的共クリギングおよびニューラルネットワークベースの手法と比較すること。
• さまざまな空間的依存構造およびデータ条件下でのSBSS-クリギングの頑健性と有効性を評価すること。
• SBSSが予測精度を損なわず多次元空間モデリングの複雑さを低減できるかどうかの実証的証拠を提供すること。

提案手法

• SBSSは、線形混合モデル X(s) = ΩZ(s) + µ を用いて、p次元の空間確率場 X(s) をp個の独立した単変量潜在場 Z(s) に分解する。ここで Ω はフルランクの混合行列である。
• アンミックス行列は、空間距離に適用されたカーネル関数（ガウス、ボール、リング）から導かれる局所的共分散行列とグローバル標本共分散行列を同時に対角化することで推定される。
• SBSSの後、各潜在場 Zj(s) は、選択された共分散モデル（例：Matérn または 球状）とノイズ効果を用いた通常クリギングにより独立して予測される。
• X(s) の最終予測値は、クリギングされた潜在場予測値に逆混合行列を適用することで再構成される。
• ニューラルネットワークの場合は、空間座標と最近傍m個（m=10 または 5）の値を入力特徴として用い、バッチ正規化（BN）および自己正規化（SNN）ネットワークを両方テストした。
• 予測性能は、シミュレーションおよび実データ（モズの地球化学的データセット）の両方で、テストセットにおける平均二乗誤差（MSE）を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 SBSSは、多次元空間データの相関関係を効果的に分離し、その後の予測タスクを簡素化できるか？
• RQ2 さまざまな空間的依存構造下で、SBSS-クリギングの予測精度は共クリギングおよびニューラルネットワークと比べてどうなるか？
• RQ3 SBSSモデルの仮定が満たされた場合、SBSS-クリギングの性能は向上するか？
• RQ4 ニューラルネットワークは、クリギングベースの手法と比べて、多次元空間予測においてどれほど優れているか、または劣っているか？
• RQ5 SBSSにおけるカーネル関数の選択（例：ボール vs. リング）が、予測性能に顕著な影響を与えるか？

主な発見

• シミュレーションでは、SBSS-クリギングは共クリギングと同等の性能を示し、SBSSモデルの仮定が成り立つ場合にはわずかに優れた結果を達成した。
• シミュレーションおよび実データの両方の設定で、Matérn共分散モデルが球状モデルよりもわずかに優れた結果をもたらした。
• ニューラルネットワークは、すべてのクリギングベースの手法と比較して劣った性能を示したが、SNNはBNよりわずかに優れていた。
• 実データ例では、m=10 の近傍数を用いたニューラルネットワークが m=5 の場合より優れた性能を示したが、両者ともクリギング手法に劣っていた。
• SBSSにおいて、1つの50 kmボールカーネルを用いた場合と、重複のない4つのリングカーネル（0–25、25–50、50–75、75–100 km）を用いた場合のMSEはほぼ同一であり、カーネル選択に対する頑健性が示された。
• 実際のモズデータセット（n=594）では、SBSS-クリギングがすべての手法の中で最小のMSEを達成し、一部の設定では共クリギングをも上回った。