[論文レビュー] Scalable Inference for Space-Time Gaussian Cox Processes

Shinichiro Shirota, Sudipto Banerjee|arXiv (Cornell University)|Feb 16, 2018

Soil Geostatistics and Mapping参考文献 3被引用数 4

ひとこと要約

本稿では、正確なデータ拡張と最近傍ガウス過程（NNGP）を組み合わせることで、空間時系列ガウス Cox過程に対するスケーラブルなベイズ推論手法を提案する。これにより、細かいグリッド離散化を必要とせず、効率的なMCMCサンプリングが可能になる。この手法は、中程度の計算コストで大規模な犯罪発生データにおける強度分布の正確な回復を実現し、近隣ノード選択に対して頑健であり、従来の手法を凌駕するスケーラビリティを示している。

ABSTRACT

The log-Gaussian Cox process is a flexible and popular class of point pattern models for capturing spatial and space-time dependence for point patterns. Model fitting requires approximation of stochastic integrals which is implemented through discretization over the domain of interest. With fine scale discretization, inference based on Markov chain Monte Carlo is computationally burdensome because of the cost of matrix decompositions and storage, such as the Cholesky, for high dimensional covariance matrices associated with latent Gaussian variables. This article addresses these computational bottlenecks by combining two recent developments: (i) a data augmentation strategy that has been proposed for space-time Gaussian Cox processes that is based on exact Bayesian inference and does not require fine grid approximations for infinite dimensional integrals, and (ii) a recently developed family of sparsity-inducing Gaussian processes, called nearest-neighbor Gaussian processes, to avoid expensive matrix computations. Our inference is delivered within the fully model-based Bayesian paradigm and does not sacrifice the richness of traditional log-Gaussian Cox processes. We apply our method to crime event data in San Francisco and investigate the recovery of the intensity surface.

研究の動機と目的

• 高次元の共分散行列と高価な行列分解に起因する、空間時系列対数ガウス Cox過程のフィッティングにおける計算的ボトル neck を解消すること。
• 扱いにくい確率積分の細かいグリッド近似に依存せずに、正確なベイズ推論を可能にすること。
• NNGPと正確なデータ拡張を統合することで、例えばサンフランシスコの月次犯罪発生データのような大規模な点パターンデータセットへの推論をスケーラブルにすること。
• 計算負荷を軽減しつつも、従来のLGCPのモデルの豊かさと柔軟性を維持すること。
• さまざまな近隣構成と大規模クラスタリングの下で、強度分布の回復における頑健性と正確性を示すこと。

提案手法

• 正確なデータ拡張を用いた空間時系列ガウス Cox過程（exGCP）と最近傍ガウス過程（NNGP）を組み合わせ、完全な共分散行列の計算を回避する。
• 完全ベイズフレームワーク内でのギブスサンプラーを用い、条件付き分布に基づいて観測点および薄められた点における潜在ガウス過程をサンプリングする。
• 各位置についてK個の最近傍点のみを用いることで、ガウス過程の近似を実現し、1イテレーションあたりの計算コストをO(K³)からO(K)に削減する。
• 強度をモデル化するためにガウス過程の累積分布関数を用い、グリッドベースのリーマン和近似を回避する。
• ポisson薄めと潜在変数の拡張を用いて、強度積分の離散化を伴わずに正確な推論を実現する。
• M=30個の最近傍点をNNGP近似に用い、100イタレーションのバーンイン後、500個の事後サンプルをMCMCで実装する。

実験結果

リサーチクエスチョン

• RQ1 空間時系列ガウス Cox過程に対する正確なベイズ推論を、大規模でクラスタリングが強い点パターンデータセットにスケーラブルに可能にすることができるか？
• RQ2 NNGP近似は、実世界のデータにおける強度分布回復の正確性と頑健性にどのように影響するか？
• RQ3 本手法は、完全共分散行列を用いた標準的なMCMCと比較して、計算効率と収束性において優れているか？
• RQ4 NNGPにおける最近傍点数の選択は、回復された強度分布にどの程度感度を示すか？
• RQ5 グリッドベースの近似を用いずに、本手法は犯罪発生データにおける時間的ダイナミクスと空間的クラスタリングを正確に捉えることができるか？

主な発見

• 本手法は、サンフランシスコの犯罪発生のクラスタリングされた強度分布を効果的に回復し、[5,7.5]×[5,7.5]領域のような空間的ホットスポットを捉えている。
• 事後平均強度分布は、高密度な小領域における局所的クラスタリングや時間的パターンを正確に反映しており、特に顕著である。
• t=12における推定強度分布と予測強度分布の最大絶対差は19.95であった。これは、局所的な変動が存在する中でも良好な予測的一致性を示している。
• NNGPによるO(K³)の計算コスト削減のおかげで、K≈5,000のグリッドポイントとn≪Kの観測イベントを持つデータセットに対しても、計算が現実的に行える。
• シミュレーションスタディでは、強度分布回復が近隣サイズMの選択に対して頑健であり、M=30のような小さなMでも主要な特徴を十分に捉えられることを示している。
• 本手法はグリッドベースの近似を回避し、データ拡張による正確な推論を実現しながらも、計算のスケーラビリティを維持している。