[论文解读] Interpretable Priors for Hyperparameters for Gaussian Random Fields

Geir‐Arne Fuglstad, Daniel Simpson+2 more|arXiv (Cornell University)|Mar 1, 2015

Soil Geostatistics and Mapping参考文献 28被引用 15

一句话总结

本文提出了一种基于惩罚复杂性（Penalised Complexity, PC）框架的系统性、弱信息性联合先验，用于马尔可夫（Matérn）高斯随机场（GRFs）中的超参数（范围和边际方差），实现了可解释且理论基础坚实的超参数选择。该方法进一步扩展至协变量影响协方差结构的非平稳GRFs，提升了空间建模中的稳健性与可解释性。

ABSTRACT

Gaussian random fields (GRFs) are important building blocks in hierarchical models for spatial data, but there is no practically useful, principled approach for selecting the prior on their hyperparameters. The prior is typically chosen in an ad-hoc manner, which lacks theoretical justification, despite the fact that we know that the hyperparameters are not consistently estimable from a single realization and that there is sensitivity to the choice of the prior. We first use the recent Penalised Complexity prior framework to construct a practically useful, tunable, weakly informative joint prior on the range and the marginal variance for Matern GRFs with fixed smoothness. We then discuss how to extend this prior to a prior for a non-stationary GRF with covariates in the covariance structure.

研究动机与目标

• 为高斯随机场（GRFs）中超参数缺乏系统性、理论上有依据的先验问题提供解决方案，目前这些超参数通常以非系统性方式选择。
• 基于惩罚复杂性（PC）框架，为具有固定光滑度的马尔可夫GRFs中的范围和边际方差，构建可调节的弱信息性联合先验。
• 将PC先验框架扩展至非平稳GRFs，其中协变量影响协方差结构。
• 提升空间层次模型中超参数选择的可解释性，并降低对先验选择的敏感性。
• 为GRF建模中常用的非系统性超参数先验提供一种实用且理论基础坚实的替代方案。

提出的方法

• 采用惩罚复杂性（PC）框架，为具有固定光滑度的马尔可夫GRFs中的范围和边际方差构建联合先验。
• 通过惩罚与基准模型（如独立噪声）的偏离程度来定义先验，从而确保弱信息性与可解释性。
• 使用单一调节参数对先验进行参数化，以控制其相对于基准模型的期望偏离程度，实现实际校准。
• 通过灵活的参数化链接函数，使PC先验能够依赖于协变量，从而将PC先验扩展至非平稳GRFs。
• 确保所得先验保持适当性、可解释性，并在层次贝叶斯推断中具备计算可行性。
• 利用PC先验的理论性质，证明即使在数据有限的情况下，其在超参数估计中仍具有稳健性与一致性。

实验结果

研究问题

• RQ1 如何为具有固定光滑度的马尔可夫GRFs中的范围和边际方差，构建一种系统性、弱信息性的联合先验？
• RQ2 当仅观察到单个实现时，先验选择对GRFs中超参数估计的影响是什么？
• RQ3 PC先验框架能否扩展至协变量依赖的协方差结构的非平稳GRFs？
• RQ4 与非系统性先验相比，所提出的先验在可解释性与敏感性降低方面有何改进？
• RQ5 与传统的非信息性或共轭先验相比，使用PC先验在GRF模型中具有哪些理论与实际优势？

主要发现

• 所提出的PC先验为马尔可夫GRFs中的范围和边际方差提供了理论基础坚实、弱信息性的联合先验，通过单一调节参数确保了可解释性。
• 先验构造明确惩罚与基准模型（如独立噪声）的偏离，确保了先验的弱信息性与实际可调性。
• 通过将先验锚定于有意义的参考模型，该方法降低了对先验选择的敏感性，提升了超参数估计的一致性。
• 通过允许PC先延依赖于协变量的灵活参数化形式，成功将先验扩展至协方差结构受协变量影响的非平稳GRFs。
• 所得先延保持了适当性与可解释性等理论性质，同时在层次空间模型中实现了稳健推断。
• 该框架为非系统性先延提供了一种系统性替代方案，解决了GRF超参数选择中长期存在的问题。