[논문 리뷰] Scalable Inference for Space-Time Gaussian Cox Processes

Shinichiro Shirota, Sudipto Banerjee|arXiv (Cornell University)|2018. 02. 16.

Soil Geostatistics and Mapping참고 문헌 3인용 수 4

한 줄 요약

이 논문은 정확한 데이터 증강과 최근접이웃 가우시안 프로세스(NNGP)를 조합하여 공간-시간 가우시안 코크스 프로세스를 위한 확장 가능한 베이지안 추론 방법을 제안한다. 이는 정밀 격자 이산화 없이 효율적인 MCMC 샘플링을 가능하게 하며, 대규모 범죄 사건 데이터에서 강력한 클러스터링을 보이는 강도 표면을 중간 수준의 계산 비용으로 정확하게 복원한다. 이 방법은 이웃 선택에 대해 강건하며 이전 방법들을 초월하는 확장성을 보인다.

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.

연구 동기 및 목표

• 고차원 공분산 행렬과 비용이 많이 드는 행렬 분해로 인한 공간-시간 로그가우시안 코크스 프로세스를 피팅할 때 발생하는 계산적 병목 현상을 해결하기 위해.
• 이행 불가능한 스토케스틱 적분의 정밀 격자 근사에 의존하지 않고 정확한 베이지안 추론을 가능하게 하기 위해.
• NNGP를 정확한 데이터 증강과 통합하여, 예를 들어 샌프란시스코의 월간 범죄 사건과 같은 대규모 점 패턴 데이터셋에 대한 추론을 확장 가능하게 하기 위해.
• 계산 부담을 줄이면서도 전통적인 LGCP의 모델의 풍부함과 유연성을 유지하기 위해.
• 다양한 이웃 구성 조건과 큰 클러스터링 상황에서도 강도 표면 복원의 강건성과 정확성의 증명을 위해.

제안 방법

• 정확한 데이터 증강을 사용한 공간-시간 가우시안 코크스 프로세스(exGCP)와 최근접이웃 가우시안 프로세스(NNGP)를 조합하여 전체 공분산 행렬 계산을 피하기 위해.
• 완전한 베이지안 프레임워크 내에서 게비스 샘플러를 사용하여 관측된 점들과 희귀화된 점들에서 잠재 가우시안 프로세스를 조건부 분포를 통해 샘플링하기 위해.
• 각 위치에 대해 K개의 가장 가까운 이웃만을 사용하여 전체 가우시안 프로세스를 근사함으로써, 각 반복에서 계산 비용을 O(K³)에서 O(K)로 감소시키기 위해.
• 강도를 모델링하기 위해 가우시안 프로세스의 누적 분포 함수를 사용하여 격자 기반 리만 합 근사와는 다르게 접근하기 위해.
• 포isson 희귀화와 잠재 변수 증강을 통해 강도 적분의 이산화 없이도 정확한 추론을 가능하게 하기 위해.
• MCMC를 구현할 때 100회의 버닝 반복 후 500개의 사후 샘플을 사용하며, NNGP 근사에 대해 M=30개의 가장 가까운 이웃을 사용하기 위해.

실험 결과

연구 질문

• RQ1 정확한 베이지안 추론이 대규모이고 클러스터링된 점 패턴 데이터셋에 대해 공간-시간 가우시안 코크스 프로세스에 대해 확장 가능하게 만들 수 있는가?
• RQ2 NNGP 근사가 실제 데이터에서 강도 표면 복원의 정확성과 강건성에 어떤 영향을 미치는가?
• RQ3 전체 공분산 행렬을 사용한 표준 MCMC에 비해 제안된 방법이 계산 효율성과 수렴성 측면에서 더 나은가?
• RQ4 NNGP에서 가장 가까운 이웃 수의 선택에 따라 복원된 강도 표면은 얼마나 민감한가?
• RQ5 격자 기반 근사 없이도 범죄 사건 데이터의 시적 동적 변화와 공간적 클러스터링을 정확하게 포착할 수 있는가?

주요 결과

• 이 방법은 샌프란시스코의 클러스터링된 범죄 사건의 강도 표면을 성공적으로 복원하였으며, 월간 전역에서 [5,7.5]×[5,7.5] 지역과 같은 공간적 핫스팟을 포착하였다.
• 사후 평균 강도 표면는 고밀도 지역에서의 국소적 클러스터링과 시적 패턴을 정확히 반영하고 있으며, 작은 영역 내에서도 높은 점 밀도가 존재하더라도 여전히 정확하다.
• t=12에서 추정된 강도 표면와 예측 강도 표면 간의 최대 절대 차이는 19.95였으며, 국소적 변동이 있음에도 불구하고 양호한 예측 일치를 나타낸다.
• NNGP를 통해 O(K³)의 계산 비용이 감소함에 따라 모델은 계산적으로 타당하며, K≈5,000개의 격자 점과 n≪K개의 관측된 사건을 포함한 데이터셋에서도 MCMC가 가능해졌다.
• 시뮬레이션 연구 결과, 강도 표면 복원이 이웃 수 M의 선택에 대해 강건하며, 작은 M(예: M=30)만으로도 주요 특징을 충분히 포착할 수 있었다.
• 격자 기반 근사 없이 데이터 증강을 통해 정확한 추론을 달성하면서도 계산 확장성을 유지하였다.