[논문 리뷰] Deep Probabilistic Spatial Modeling for Multivariate Mixed-Type Responses

Yeseul Jeon, Kyeong Eun Lee외 1명|arXiv (Cornell University)|2026. 03. 07.

Soil Geostatistics and Mapping인용 수 0

한 줄 요약

우리는 공유 잠재 공간 구성요소와 몬테 카를로 드롭아웃을 활용하여 일관된 불확실성 정량화를 가능하게 하는 다변량 혼합형 공간 결과를 공동으로 모델링하는 확장 가능한 프레임워크 MultiDeepGP를 제안한다.

ABSTRACT

Many scientific applications involve mixed spatially indexed outcomes of heterogeneous types that are driven by shared latent mechanisms. Modeling such data is challenging due to complex, nonlinear, and potentially nonstationary spatial dependence, as well as the need for coherent joint inference across mixed outcome distributions. Existing multivariate mixed outcome models often rely on restrictive linear assumptions, while recent deep learning approaches emphasize predictive flexibility but typically lack coherent joint modeling and uncertainty quantification for spatial data. We develop MultiDeepGP, a scalable and statistically principled framework for joint modeling of multivariate mixed outcomes in spatial settings. The proposed approach introduces a shared latent spatial component that governs cross-outcome dependence while allowing outcome-specific distributions. Spatial dependence and nonlinear structure are captured through a deep latent representation, and uncertainty quantification is enabled via an efficient Monte Carlo-based inference strategy. This construction balances modeling flexibility with probabilistic interpretability and computational feasibility. The proposed method is evaluated through simulation studies designed to reflect key challenges in mixed outcome spatial modeling, as well as an application to georeferenced environmental and public health data from the African Great Lakes region. The results demonstrate that the proposed framework provides accurate joint prediction and reliable uncertainty quantification in complex spatial settings.

연구 동기 및 목표

• 공유 잠재 구조를 갖는 혼합형 공간 데이터를 공동으로 모델링해야 할 필요성을 제시한다.
• 복잡한 공간 의존성을 포착하는 유연하고 비선형적인 공유 표현을 개발한다.
• 공통의 잠재 공간 프로세스를 통해 이를 연결하면서 결과별 분포를 허용한다.
• 여러 결과에 걸친 공동 예측에 대한 확장 가능한 불확실성 정량화를 제공한다.

제안 방법

• 결과 간 의존성을 지배하는 공유 잠재 공간 프로세스 H(s)를 도입하고 결과별 가능도와 함께 작동한다.
• 깊은 신경망을 통해 H(s)를 매개화하여 비선형적이고 비선형적인 공간 구조를 포착한다.
• 적절한 링크를 갖는 결과별 헤드를 통해 공유 표현을 결과별 자연 파라미터에 연결한다.
• 신경망을 깊은 가우시안 프로세스로 해석하여 확률적 추론을 가능하게 한다.
• 예측 분포와 불확실성을 계산하기 위한 근사 변분 추론 전략으로 몬테 카를로 드롭아웃을 사용한다.
• 레이어별 가중치 감소를 포함한 정규화된 음의 로그가능도 최소화로 학습한 뒤 예측 및 불확실성 정량화를 위해 MC 드롭아웃을 수행한다.

실험 결과

연구 질문

• RQ1 공유 잠재 공간 구성요소가 다변량 혼합형 공간 데이터에서 결과 간 의존성을 어떻게 유도할 수 있는가?
• RQ2 깊은 잠재 표현이 비선형적이고 비선형적인 공간 의존성을 포착하면서 결과별 분포를 허용할 수 있는가?
• RQ3 MC 드롭아웃이 이질적인 결과들에 걸친 공동 예측에 대해 신뢰할 수 있고 확장 가능한 불확실성 정량화를 제공하는가?
• RQ4 예측 성능과 보정된 불확실성 측면에서 MultiDeepGP가 결정론적 DNN 및 전통적 크리깅과 어떻게 비교되는가?

주요 결과

• 이 프레임워크는 혼합형 공간 결과 간의 정확한 공동 예측을 가능하게 한다.
• MC 드롭아웃을 통한 불확실성 정량화는 복잡한 공간 환경에서 잘 보정된 예측 분포를 산출한다.
• 시뮬레이션 연구는 비선형적이고 비정상적인 공간 구조와 결과 간 의존성에 대한 강건함을 보여준다.
• 아프리카 호수 지역의 환경 및 공중보건 지리참조 데이터에의 적용은 실용성과 일관된 공동 추론을 보여준다.