[论文解读] Graphical modelling of multivariate spatial point processes

Matthias Eckardt|arXiv (Cornell University)|Jul 24, 2016

Morphological variations and asymmetry参考文献 45被引用 5

一句话总结

本文提出了空间依赖图模型（SDGM），这是一种新颖的非参数图模型，通过条件偏谱相干性捕捉多元空间点过程中的全局条件相互关系。通过谱相干性阈值识别边，SDGM 揭示了直接依赖结构——如与盗窃相关的犯罪集群或孤立的犯罪类型——为高维空间数据提供了一种全面的非参数替代方法，优于传统的双变量或降维方法。

ABSTRACT

This paper proposes a novel graphical model, termed the spatial dependence graph model, which captures the global dependence structure of different events that occur randomly in space. In the spatial dependence graph model, the edge set is identified by using the conditional partial spectral coherence. Thereby, nodes are related to the components of a multivariate spatial point process and edges express orthogonality relation between the single components. This paper introduces an efficient approach towards pattern analysis of highly structured and high dimensional spatial point processes. Unlike all previous methods, our new model permits the simultaneous analysis of all multivariate conditional interrelations. The potential of our new technique to investigate multivariate structural relations is illustrated using data on forest stands in Lansing Woods as well as monthly data on crimes committed in the City of London.

研究动机与目标

• 解决高维多元空间点过程中全局条件相互关系分析缺乏高效探索性方法的问题。
• 克服现有单变量或双变量方法的局限性，这些方法无法捕捉多个分量之间同时存在的复杂相互依赖关系。
• 开发一种基于频域特性、编码条件正交性和直接依赖结构的非参数图模型，用于空间点模式。
• 提供一个可扩展的框架，用于可视化和解释现实世界数据集（如犯罪事件和森林林分）中的复杂空间依赖结构。

提出的方法

• 提出空间依赖图模型（SDGM），一种无向图模型，其中节点代表 d 元空间点过程的分量，边代表通过偏谱相干性表示的条件依赖关系。
• 使用条件偏谱相干性识别边，当绝对归一化逆谱矩阵的essupremum ≤ 0.4（阈值 α = 0.4）时，边不存在。
• 在频域中采用谱分析，将协方差结构分解为正弦和余弦分量，实现对条件依赖关系的非参数估计。
• 将该方法应用于两个真实数据集：伦敦 14 种犯罪类别（2015 年 4 月）和兰辛伍兹的森林林分数据，使用 14×14 的谱矩阵，涵盖 529 个频率对。
• 对每个频率的谱矩阵求逆，并应用阈值以确定边的存在性，确保边反映显著的条件依赖关系而非噪声。
• 可视化所得图以识别子结构，如三角形、完全子图和孤立节点，分别表示条件独立或条件依赖关系。

实验结果

研究问题

• RQ1 如何同时建模并可视化多元空间点过程中多个分量之间的全局条件相互关系？
• RQ2 何种基于谱的度量能有效区分空间点过程中的直接依赖与间接依赖？
• RQ3 基于偏谱相干性的非参数图模型能否在高维空间数据中揭示有意义的结构模式？
• RQ4 与传统的双变量或降维方法相比，所得到的依赖图在捕捉复杂空间相互依赖关系方面表现如何？
• RQ5 当将 SDGM 应用于犯罪数据和森林生态数据时，会浮现哪些现实世界的结构模式？

主要发现

• 在伦敦犯罪数据中，SDGM 识别出由 8 种犯罪类别（如盗窃、抢劫、毒品犯罪、人身盗窃）构成的子图，这些类别在条件依赖下相互关联，其中盗窃仅在其他类别条件下依赖于抢劫。
• 模型检测到两个三角形结构：(1) 抢劫、毒品犯罪、人身盗窃；(2) 入室盗窃、车辆犯罪、其他盗窃，表明三者之间存在相互的条件依赖。
• 一个包含四个节点的完全子图——毒品犯罪、人身盗窃、车辆犯罪和入室盗窃——揭示了这些犯罪类型的完全相互依赖关系。
• 四种犯罪类别（公共秩序、自行车盗窃、刑事破坏与纵火、暴力与性犯罪）处于孤立状态，表明其与其他类别无条件依赖关系。
• 在兰辛伍兹数据中，SDGM 成功捕捉了树种之间的复杂空间依赖关系，揭示了与生态竞争和共现性一致的模式。
• 与传统双变量方法相比，SDGM 通过揭示所有分量之间更高阶的、同时存在的条件关系（而不仅限于成对关系），表现更优。