[论文解读] Spatial wavelet Markov models are more efficient than covariance tapering and process convolutions

David Bolin, Finn Lindgren|arXiv (Cornell University)|Jun 10, 2011

Soil Geostatistics and Mapping被引用 4

一句话总结

本文提出空间小波马尔可夫模型，作为大规模空间数据下协方差截断和过程卷积的计算高效替代方法。通过利用小波基函数在希尔伯特空间中近似高斯马尔可夫场，该方法在相同计算成本下实现了显著更高的精度，优于现有方法在速度和精度方面的表现。

ABSTRACT

The Matern covariance function is a popular choice for modeling dependence in spatial environmental data. Standard Matern covariance models are, however, often computationally infeasible for large data sets. In this work, recent results for Markov approximations of Gaussian Matern fields based on Hilbert space approximations are extended using wavelet basis functions. These Markov approximations are compared with two of the most popular methods for efficient covariance approximations; covariance tapering and the process convolution method. The results show that, for a given computational cost, the Markov methods have a substantial gain in accuracy compared with the other methods.

研究动机与目标

• 解决标准马尔可夫协方差模型在大规模空间数据集中计算不可行的问题。
• 提升现有高效协方差近似方法（如协方差截断和过程卷积）的精度。
• 提出一种基于小波基函数的空间高斯过程新型马尔可夫近似框架。
• 证明在相同计算约束下，基于小波的马尔可夫模型在精度上优于竞争方法。

提出的方法

• 该方法利用小波基函数构建高斯马尔可夫场的希尔伯特空间近似。
• 通过小波展开离散化马尔可夫协方差，构建马尔可夫随机场表示。
• 利用小波变换的稀疏性以降低计算复杂度。
• 所得马尔可夫模型通过稀疏矩阵运算实现似然和预测的快速计算。
• 在相同计算预算下，将该方法与协方差截断和过程卷积技术进行直接比较。
• 使用合成和真实空间数据评估近似误差和计算成本。

实验结果

研究问题

• RQ1 基于小波的马尔可夫近似能否在大规模空间数据集中实现比协方差截断和过程卷积更高的精度？
• RQ2 在相同资源约束下，小波马尔可夫模型的计算效率如何优于现有方法？
• RQ3 基于小波的近似在多大程度上保持了真实马尔可夫场的统计特性？
• RQ4 使用小波基函数是否能提升空间建模中的数值稳定性和可扩展性？

主要发现

• 在相同计算成本下，小波马尔可夫模型的精度显著高于协方差截断和过程卷积方法。
• 小波方法对真实马尔可夫协方差结构的近似保真度更高。
• 由于小波变换带来的稀疏性，该方法表现出更优的可扩展性。
• 在高维空间设置中，计算节省最为显著。
• 通过小波实现的马尔可夫近似比竞争方法更准确地表征了空间依赖性。
• 结果证实，基于小波的希尔伯特空间近似是大规模空间统计中一种有前景的替代方案。