[論文レビュー] The SPDE approach for Gaussian random fields with general smoothness

David Bolin, Kristin Kirchner|arXiv (Cornell University)|Nov 12, 2017

Soil Geostatistics and Mapping参考文献 2被引用数 4

ひとこと要約

本稿は、$2\beta \in \mathbb{N}$ である制限的な場合を超えてガウス型ランダム場のSPDEアプローチを拡張する。空間の有限要素離散化と $x^{-\beta}$ の有理近似を組み合わせることで、任意の smoothness パrameter $\beta > 0$ の正確なモデリングが可能になる。この手法は、古典的SPDEフレームワークと同等の計算効率を維持しながら、強い収束を達成し、$\beta$ を含むすべてのパrameterに対する尤度ベースの推論を可能にする。

ABSTRACT

A popular approach for modeling and inference in spatial statistics is to represent Gaussian random fields as solutions to stochastic partial differential equations (SPDEs) $L^{\beta}u = \mathcal{W}$, where $\mathcal{W}$ is Gaussian white noise, $L$ is a second-order differential operator, and $\beta>0$ is a parameter that determines the smoothness of $u$. However, this approach has been limited to the case $2\beta\in\mathbb{N}$, which excludes several important covariance models such as the exponential covariance on $\mathbb{R}^2$. We demonstrate how this restriction can be avoided by combining a finite element discretization in space with a rational approximation of the function $x^{-\beta}$ to approximate the solution $u$. For the resulting approximation, an explicit rate of strong convergence is derived and we show that the method has the same computational benefits as in the restricted case $2\beta\in\mathbb{N}$ when used for statistical inference and prediction. Several numerical experiments are performed to illustrate the accuracy of the method, and to show how it can be used for likelihood-based inference for all model parameters including $\beta$.

研究の動機と目的

• SPDEアプローチが $2\beta \in \mathbb{N}$ に制限されることによる制限を克服し、指数型共分散を含む重要なモデルを含まない状況を解消すること。
• 空間の有限要素離散化と $x^{-\beta}$ の有理近似を用いて、任意の $\beta > 0$ に対してSPDE $L^{\beta}u = \mathcal{W}$ の解を一般に近似する手法を開発すること。
• 得られた数値近似の強い収束に対する明示的な収束速度を確立すること。
• 統計的推論と予測において、古典的SPDEフレームワークが持つ計算上の利点を保持すること。
• 尤度ベースの推論における精度と適用可能性を示し、$\beta$ の推定を含む。

提案手法

• SPDE $L^{\beta}u = \mathcal{W}$ の解 $u$ は、非構造的メッシュ上での空間離散化を可能にする有限要素法を用いて近似する。
• 逆作用素 $L^{-\beta}$ は、関数 $x^{-\beta}$ の有理近似により近似され、弱形式における解の効率的計算が可能になる。
• 有理近似は、$x^{-\beta}$ のスペクトル近似における安定性と精度を保証するように構築され、有限要素設定下での高次収束を可能にする。
• 得られた離散系は、標準的なスパース線形代数技術を用いて解かれる。これにより、古典的SPDEアプローチと同等の計算効率が維持される。
• この手法により、ガウス過程の密行列精度行列の構築が可能になり、尤度評価やパrameter推論に適した形になる。
• 近似解を統計モデルに統合することで、$\beta$ を含む全パrameterに対する尤度ベース推論が可能になる。

実験結果

リサーチクエスチョン

• RQ1 SPDEアプローチを、$2\beta \in \mathbb{N}$ に制限されない一般の smoothness パrameter $\beta > 0$ に拡張可能か？
• RQ2 有限要素法と有理近似による $L^{-\beta}$ の近似スキームの強い意味での収束速度は何か？
• RQ3 この手法は、統計的推論と予測において、古典的SPDEフレームワークの計算効率を保持するか？
• RQ4 この手法は、$\beta$ やその他のモデルパラメータの尤度ベース推定を可能にするか？
• RQ5 この手法は、$\mathbb{R}^2$ 上の指数型共分散モデルをどれほど正確に近似できるか？

主な発見

• 提案手法は、$L^{-\beta}$ の有限要素法と有理近似に対する明示的な強い収束速度を達成しており、信頼性の高い数値的精度を保証する。
• この手法は、古典的SPDEアプローチと同等の計算複雑性と効率性を維持しており、大規模な空間領域におけるスケーラブルな推論を可能にする。
• 数値実験により、$\mathbb{R}^2$ 上での指数型共分散モデルの近似において高い精度が確認された。これは、$2\beta \in \mathbb{N}$ の制限下では以前は不可能であった。
• 数値実験において、$\beta$ を含む全パラメータに対する尤度ベース推論が安定的かつ正確に実現可能であることが示された。
• $x^{-\beta}$ の有理近似が、元の作用素のスペクトル特性を効果的に保持しており、有限要素離散化におけるロバスト性を確保していることが示された。