[논문 리뷰] Spatial modelling with R-INLA: A review

Haakon Bakka, Håvard Rue외 6명|Edinburgh Research Explorer|2018. 02. 18.

Soil Geostatistics and Mapping참고 문헌 79인용 수 13

한 줄 요약

이 논문은 R-INLA를 검토하며, 희소 정밀도 행렬을 사용하여 가우시안 랜덤 필드를 근사하는 SPDE 접근법을 활용해 빠르고 확장 가능한 베이지안 공간 모델링을 가능하게 하는 계산 프레임워크이다. R-INLA는 희소 가우시안 마르코프 랜덤 필드를 활용하여 복잡한 공간 모델—비정상성 및 비분리성 시공간 모델을 포함—을 효율적으로 처리하며, 수십만 개의 위치를 가진 데이터셋에서도 거의 즉각적인 추론을 실현한다.

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.

연구 동기 및 목표

• R-INLA의 공간 베이지안 모델링 능력에 대한 종합적인 리뷰를 제공함으로써, 계산 효율성과 모델의 유연성에 중점을 두다.
• SPDE 접근법이 연속적인 모델을 희소 정밀도 행렬로 변환함으로써 가우시안 랜덤 필드에 대한 확장 가능한 추론을 어떻게 가능하게 하는지 설명하다.
• 기본적인 등방성 및 분리 가능한 가정을 초월하여 비정상성 및 비분리성 시공간 모델을 포함한 고급 공간 모델에 R-INLA의 적용 범위를 확장하다.
• 사용자 지정 설정이 필요한 사전 분포의 설정, 모델 비교, 강건성 문제를 다루며, 실용적 사용을 위한 기본적이고 해석 가능한 사전 분포 개발에 중점을 두다.
• 미래 연구의 기초를 마련하기 위해 고급 모델을 문서화하고 구현함으로써, 적용 공간 통계 분야에서의 광범위한 채택과 비교를 가능하게 하다.

제안 방법

• R-INLA는 밀도가 높은 공분산 행렬(Σ) 대신 정밀도 행렬(Q)을 사용하여 희소 계산을 가능하게 하며, n개의 공간 위치에 대해 복잡도를 O(n³)에서 O(n^{3/2})로 감소시킨다.
• SPDE 접근법은 마테르너 가우시안 랜덤 필드를 확률적 편미분 방정식으로 연결하며, 삼각형 메esh 위에서 유한요소 방법을 사용해 이 방정식을 이산화함으로써 희소 정밀도 행렬을 생성한다.
• 결과적으로 얻어진 모델은 잠재 가우시안 모델이며, 고정 효과, 구조적(예: BYM, CAR) 및 비구조적 랜덤 효과가 선형 예측자에 선형적으로 조합된다.
• 관측치는 비모수적 가능도 함수(예: 포isson, 이항분포 등)를 통해 선형 예측자와 연결되며, 이는 복잡한 공간 데이터의 계층적 모델링을 가능하게 한다.
• 비정상성 및 비분리성 시공간 모델은 SPDE 수식을 수정하여 구축되며, 이는 공간적으로 변화하는 매개수와 비분리 공분산 구조를 허용한다.
• 모델 피팅은 통합 내재 라플라스 근사(INLA)를 통해 수행되며, 높은 정확도와 빠른 속도로 후행 분포의 근사값을 결정적 방법으로 계산함으로써 MCMC를 피한다.

실험 결과

연구 질문

• RQ1 수십만 개의 관측치를 포함하는 대규모 데이터셋에 대해 계산적으로 실현 가능한 방법을 사용해 베이지안 공간 모델을 어떻게 효율적으로 피팅할 수 있는가?
• RQ2 SPDE 접근법은 연속적인 가우시안 랜덤 필드에 대해 희소 정밀도 행렬을 어떻게 구성하는가? 이는 계산 확장성에 어떻게 기여하는가?
• RQ3 비정상성 공간 및 비분리성 시공간 모델을 위한 실용적이고 이론적인 SPDE 프레임워크의 확장은 무엇인가?
• RQ4 R-INLA에서 공간 모델의 기본적이고 해석 가능한 사전 분포를 어떻게 개발하고 검증할 수 있는가? 이는 모델의 강건성과 사용성 향상에 어떻게 기여하는가?
• RQ5 현재 R-INLA의 구현에서 고차원 시공간 모델을 다룰 때의 한계는 무엇이며, 향후 필요한 병렬 처리 등의 계산 전략은 무엇인가?

주요 결과

• R-INLA는 SPDE 접근법에서 유도된 희소 정밀도 행렬을 활용하여, 수십만 개의 위치를 가진 공간 모델에 대해 빠른 베이지안 추론을 가능하게 한다.
• SPDE 접근법은 삼각형 메쉬 위에서 유한요소 이산화를 통해 연속적인 마테르너 가우시안 랜덤 필드를 희소 가우시안 마르코프 랜덤 필드로 변환하며, 이로 인해 계산 복잡도가 O(n³)에서 O(n^{3/2})로 감소한다.
• 비정상성 공간 모델은 SPDE 매개수(예: 범위, 매끄러움)를 공간적으로 변화시켜 구현할 수 있으며, 이는 표준 SPDE 프레임워크를 확장한다.
• 비분리성 시공간 모델은 SPDE에 시간에 의존하는 미분 연산자를 포함시켜 수정함으로써 구축되며, 이는 민첩하고 비분리된 의존성 구조를 허용한다.
• R-INLA에서 기본적이고 해석 가능한 사전 분포를 사용함으로써 모델의 안정성이 향상되고 사용자 맞춤 설정의 필요성이 감소하여 재현 가능성과 사용성 향상에 기여한다.
• 현재의 한계에도 불구하고 R-INLA는 약 ~100,000 차원의 시공간 모델을 지원하며, 향후 연구는 병렬 처리 및 고차원 문제를 위한 개선된 분해 방법에 중점을 두고 있다.