[论文解读] Vecchia Likelihood Approximation for Accurate and Fast Inference in Intractable Spatial Extremes Models

Raphaël Huser, Michael L. Stein+1 more|arXiv (Cornell University)|Mar 10, 2022

Climate variability and models被引用 7

一句话总结

本文提出了一种Vecchia似然近似方法，通过使用有策略的条件集将完整似然分解为线性数量的低维条件密度，从而实现对不可解的空间极值模型（特别是广义稳定过程）的精确且计算高效的推断。与传统复合似然方法相比，该方法在渐近相对效率和计算节省方面均有显著提升，如在超过1,000个站点的红海海表温度应用中所展示的那样。

ABSTRACT

Max-stable processes are the most popular models for high-impact spatial extreme events, as they arise as the only possible limits of spatially-indexed block maxima. However, likelihood inference for such models suffers severely from the curse of dimensionality, since the likelihood function involves a combinatorially exploding number of terms. In this paper, we propose using the Vecchia approximation, which conveniently decomposes the full joint density into a linear number of low-dimensional conditional density terms based on well-chosen conditioning sets designed to improve and accelerate inference in high dimensions. Theoretical asymptotic relative efficiencies in the Gaussian setting and simulation experiments in the max-stable setting show significant efficiency gains and computational savings using the Vecchia likelihood approximation method compared to traditional composite likelihoods. Our application to extreme sea surface temperature data at more than a thousand sites across the entire Red Sea further demonstrates the superiority of the Vecchia likelihood approximation for fitting complex models with intractable likelihoods, delivering significantly better results than traditional composite likelihoods, and accurately capturing the extremal dependence structure at lower computational cost.

研究动机与目标

• 为解决由于组合爆炸而导致的高维广义稳定空间极值模型中完整似然推断的计算不可行性。
• 开发一种可扩展的似然近似方法，在保持统计精度的同时降低高维设置下的计算负担。
• 将原本用于高斯过程的Vecchia近似方法扩展至广义稳定过程，以实现对空间极值的推断。
• 在捕捉极值依赖结构方面，证明该方法在计算成本更低的情况下优于复合似然方法。
• 为大规模空间数据集（如气候和环境监测数据）中的极端事件建模提供一种实用且可扩展的解决方案。

提出的方法

• Vecchia近似通过精心选择的排序和条件集，将广义稳定过程的联合密度分解为一系列低维条件密度的乘积。
• 条件集的选择旨在最大化预测精度和计算效率，模仿高斯图模型的马尔可夫性质。
• 该方法通过近似全似然的条件独立结构，利用广义稳定过程的Hammersley–Clifford定理类比。
• 该近似通过稀疏精度矩阵结构实现，使计算复杂度随维度呈线性增长，而非指数增长。
• 在高斯设定下推导了渐近相对效率的理论结果，为性能提升提供了基准。
• 通过模拟实验和真实数据应用验证了该方法在高维极值中的精度和计算效率。

实验结果

研究问题

• RQ1 Vecchia近似是否能在保持统计精度的同时显著降低广义稳定空间极值模型似然推断的计算成本？
• RQ2 在高维设置下，Vecchia似然的渐近相对效率与复合似然相比如何？
• RQ3 Vecchia近似是否能有效捕捉大规模空间数据集（如环境监测数据）中的复杂极值依赖结构？
• RQ4 在参数估计精度和不确定性量化方面，Vecchia方法是否优于传统的复合似然方法？
• RQ5 该Vecchia近似在多大程度上可推广至广义稳定过程之外的不可解似然模型？

主要发现

• 在高斯设定下，Vecchia似然近似相比复合似然方法具有显著更高的渐近相对效率，表明统计效率得到提升。
• 在广义稳定过程的模拟实验中，Vecchia方法在保持高参数估计精度的同时实现了显著的计算节省。
• 该方法成功对红海超过1,000个站点的极端海表温度数据进行了建模，以低于复合似然方法的计算成本捕捉了复杂的极值依赖结构。
• Vecchia近似在高维空间极值中准确恢复了真实的极值依赖结构，在效率和保真度方面均优于成对复合似然方法。
• 该方法的计算复杂度随维度呈线性增长，使得在全似然方法计算不可行的场景中也能实现推断。
• 理论和实证结果共同证实，Vecchia近似为不可解似然推断在空间极值中提供了一种可行且可扩展的替代方案。