[論文レビュー] Pointless Continuous Spatial Surface Reconstruction

Katherine Wilson, Jon Wakefield|arXiv (Cornell University)|Sep 27, 2017

3D Shape Modeling and Analysis参考文献 23被引用数 3

ひとこと要約

本稿では、混合点データおよび領域データから連続的空間表面を再構築するためのベイジアン階層モデルを提案する。確率的偏微分方程式（SPDE）を用い、ガウス分布の結果に対しては統合ネストラス近似（INLA）を、非ガウス分布の結果に対してはハミルトニアン・モンテカルロ（HMC）または経験ベイズ法を用いて効率的な推論を可能にする。この手法は、サポート変換問題を効果的に扱い、潜在的な連続表面をモデル化することで生態的バイアスを低減する。点データが存在しない場合でも、良好な性能を示す。

ABSTRACT

The analysis of area-level aggregated summary data is common in many disciplines including epidemiology and the social sciences. Typically, Markov random field spatial models have been employed to acknowledge spatial dependence and allow data-driven smoothing. In this paper, we exploit recent theoretical and computational advances in continuous spatial modeling to carry out the reconstruction of an underlying continuous spatial surface. In particular, we focus on models based on stochastic partial differential equations (SPDEs). We also consider the interesting case in which the aggregate data are supplemented with point data. We carry out Bayesian inference, and in the language of generalized linear mixed models, if the link is linear, an efficient implementation of the model is available via integrated nested Laplace approximations. For nonlinear links, we present two approaches: a fully Bayesian implementation using a Hamiltonian Monte Carlo algorithm, and an empirical Bayes implementation, that is much faster, and is based on Laplace approximations. We examine the properties of the approach using simulation, and then estimate an underlying continuous risk surface for the classic Scottish lip cancer data.

研究の動機と目的

• 点位置と集計された領域単位の両方のデータが得られる空間的多スケール状況において、サポート変換問題を解決すること。
• 任意の行政境界に依存しない一様な連続的空間表面再構築フレームワークを構築すること。
• SPDEベースのモデルを用いて、ガウス分布および非ガウス分布の両方の結果について効率的なベイズ推論を可能にすること。
• 本手法の性能をシミュレーションおよび実世界の設定で評価すること。特に、点が希少または粗い領域データの場合の性能を検証すること。
• 特に非ガウス尤度に対して、MCMCの代替手段として計算が高速な代替手法を提供すること。

提案手法

• ガウスマルコフランダムフィールド（GMRF）を確率的偏微分方程式（SPDE）から導出し、スパース精度行列を用いて高速計算を実現する。
• SPDEアプローチを用いて、連続的空間場を点レベルおよび領域レベルの観測値に適切な線形射影でマッピングする。
• ガウス尤度の下で、GMRF近似を活用し、統合ネストラス近似（INLA）を用いて高速推論を実現する。
• 非ガウス尤度（例：ポアソン分布）に対しては、ハミルトニアン・モンテカルロ（HMC）を用いた完全ベイズ的手法と、ラプラス近似を用いた経験ベイズ手法を実装する。
• 点データ（例：アンケート調査の位置）と領域データ（例：国勢調査の集計）を、共通の潜在的連続表面を共有する1つの階層モデルに統合する。
• 観測データが潜在的連続表面の下で条件付き独立に分布すると仮定する階層ベイジアンフレームワークを採用し、ハイパーパrameterに適切な事前分布を設定する。

実験結果

リサーチクエスチョン

• RQ1 SPDEベースのモデルを用いて、混合点データおよび領域データから連続的空間表面を正確に再構築できるか？
• RQ2 点データを含めることで、領域データのみの場合と比較して、再構築された表面の精度と滑らかさはどのように向上するか？
• RQ3 ICARのような離散的領域モデルと比較して、SPDEベースのモデルはどれほど生態的バイアスを低減するか？
• RQ4 本文脈において、非ガウス尤度の推論においてINLAとHMCの速度と精度の違いは何か？
• RQ5 点データが存在しない場合、空間解像度や領域単位の数が、モデルの性能にどれほど影響を及ぼすか？

主な発見

• スコットランドの肺がんデータに適用した結果、点データが存在しないにもかかわらず、SPDEベースの連続的表面モデルは、離散的ICARモデルとほぼ同一の相対リスク推定値を達成した。
• 点データが存在しない場合でも、モデルは良好な精度を維持したが、47カントリーから8つの州に粗く集計した場合など、粗い領域への集計では空間パラメータの推定値のばらつきが大きくなった。
• ポアソン尤度のケースでは、完全ベイズ的手法のHMCはクラスタ上で約1週間の計算時間を要したが、経験ベイズ手法を用いることで計算時間を数分に短縮でき、経験ベイズ初期化後にHMCを走らせるには約10分で十分であった。
• 点レベルの共変量データを許容することで、モデルは生態的誤謬性を効果的に低減した。
• シミュレーションにおいてもモデルの堅牢性が確認され、点データが欠落している場合でも、特に空間的依存性が強い場合には精度の損失が最小限に抑えられた。
• SPDEの使用により、ガウス尤度の場合は1台のラップトップで1モデルあたり2分未満の高速計算が可能となった。一方、非ガウス尤度のモデルでは、より高度なMCMCまたはハイブリッド手法が必要となった。