[論文レビュー] Spatial modelling with R-INLA: A review

Haakon Bakka, Håvard Rue+6 more|Edinburgh Research Explorer|Feb 18, 2018

Soil Geostatistics and Mapping参考文献 79被引用数 13

ひとこと要約

この論文は、スパース精度行列を用いたSPDEアプローチによりガウス型確率場を近似することで、高速かつスケーラブルなベイズ的空間モデリングを可能にする計算フレームワークR-INLAをレビューしている。R-INLAはスパースガウス・マルコフ・ランダム・フィールドを活用することで、非定常的かつ非分離型の時空間モデルを含む複雑な空間モデルを効率的に扱い、数十万の場所を持つデータセットに対してもほぼ即時の推論を実現する。

ABSTRACT

Coming up with Bayesian models for spatial data is easy, but performing inference with them can be challenging. Writing fast inference code for a complex spatial model with realistically-sized datasets from scratch is time-consuming, and if changes are made to the model, there is little guarantee that the code performs well. The key advantages of R-INLA are the ease with which complex models can be created and modified, without the need to write complex code, and the speed at which inference can be done even for spatial problems with hundreds of thousands of observations. R-INLA handles latent Gaussian models, where fixed effects, structured and unstructured Gaussian random effects are combined linearly in a linear predictor, and the elements of the linear predictor are observed through one or more likelihoods. The structured random effects can be both standard areal model such as the Besag and the BYM models, and geostatistical models from a subset of the Matérn Gaussian random fields. In this review, we discuss the large success of spatial modelling with R-INLA and the types of spatial models that can be fitted, we give an overview of recent developments for areal models, and we give an overview of the stochastic partial differential equation (SPDE) approach and some of the ways it can be extended beyond the assumptions of isotropy and separability. In particular, we describe how slight changes to the SPDE approach leads to straight-forward approaches for non-stationary spatial models and non-separable space-time models.

研究の動機と目的

• R-INLAの空間ベイズモデリングにおける能力を包括的にレビューし、計算効率性とモデルの柔軟性に焦点を当てる。
• SPDEアプローチが連続的モデルをスパース精度行列に変換することで、ガウス型確率場のスケーラブルな推論をどのように可能にするかを説明する。
• 標準的な回転対称性および分離可能な仮定を超えて、非定常的および非分離型時空間モデルへのR-INLAの適用範囲を拡張する。
• 事前分布の指定、モデル比較、耐性性に関する課題に取り組み、実用的用途を想定したデフォルトで解釈可能な事前分布の開発に焦点を当てる。
• 今後の研究の基盤を築くために、高度なモデルを文書化および実装し、応用空間統計分野における広範な採用と比較を可能にする。

提案手法

• R-INLAは、密度行列（Σ）ではなく精度行列（Q）を用いることでスパース計算を可能にし、n個の空間的位置に対して計算複雑度をO(n³)からO(n^{3/2})に削減する。
• SPDEアプローチは、マテルン型ガウス型確率場を確率的偏微分方程式に結びつけ、三角形メッシュ上で有限要素法を用いて離散化することでスパース精度行列を生成する。
• 得られるモデルは潜在ガウスモデルであり、固定効果、構造的（例：BYM、CAR）および非構造的ランダム効果が線形予測子に線形結合される。
• 観測値は、パラメトリックな尤度関数（例：ポisson、二項分布など）を通じて線形予測子にリンクされ、複雑な空間データの階層的モデリングを可能にする。
• 非定常的および非分離型時空間モデルは、SPDE定式化を変更することで構築され、空間的に変化するパラメータおよび非分離型共分散構造を許容する。
• モデルの適合は統合ネストドラプラスティック近似（INLA）を用いて行われ、MCMCを避けることで、高い精度と速度で事後分布の周辺分布を決定的近似する。

実験結果

リサーチクエスチョン

• RQ1 数十万件の観測値を持つ大規模データセットに対して、計算的に実行可能な手法を用いてベイズ的空間モデルをどのように効率的に適合できるか？
• RQ2 SPDEアプローチは、連続的ガウス型確率場に対してスパース精度行列をどのように構築するか。このアプローチが計算スケーラビリティをどのように向上させるか？
• RQ3 非定常的空間および非分離型時空間モデルを扱うために、SPDEフレームワークの実用的および理論的拡張はどのようなものか？
• RQ4 R-INLAにおける空間モデルのためのデフォルトで解釈可能な事前分布をどのように開発・検証できるか。これによりモデルの安定性と使いやすさがどのように向上するか？
• RQ5 現在のR-INLA実装における高次元時空間モデル処理の限界は何か。今後の計算戦略（例：並列処理）はどのようなものが必要か？

主な発見

• R-INLAは、SPDEアプローチから得られるスパース精度行列を活用することで、数十万の場所を持つ空間モデルに対し、高速なベイズ推論を可能にする。
• SPDEアプローチは、有限要素離散化を介して連続的マテルン型ガウス型確率場をスパースガウス・マルコフ・ランダム・フィールドに変換し、計算複雑度をO(n³)からO(n^{3/2})に削減する。
• 非定常的空間モデルは、SPDEのパラメータ（例：範囲、滑らかさ）を空間的に変化可能にすることで実装可能となり、標準的なSPDEフレームワークを拡張する。
• 非分離型時空間モデルは、時間依存微分作用素を含むようにSPDEを変更することで構築され、柔軟で非分離型の依存構造を許容する。
• R-INLAにおけるデフォルトで解釈可能な事前分布の使用は、モデルの安定性を向上させ、ユーザーによるチューニングの必要性を低減し、再現性と使いやすさを向上させる。
• 現在の限界にもかかわらず、R-INLAは約10万次元の時空間モデルをサポートしており、今後の研究は並列処理および高次元問題のための改善された因子分解法に焦点を当てる。