一种用于空间回归的简约且计算高效的机器学习方法
机器学习
2025-02-11 v1 机器学习
摘要
我们引入修正平面转子方法（MPRS），一种受物理启发的用于空间/时间回归的机器学习方法。MPRS 是一种非参数模型，它通过短程的、依赖于距离的交互来纳入空间或时间相关性，而不对底层概率分布作特定假设。预测通过采用平衡条件蒙特卡洛模拟的完全自主学习算法获得。MPRS 能够处理散乱数据与任意空间维度。我们报告了在一、二、三维各种合成与真实数据上的测试，表明 MPRS 的预测性能（无需调参）可与普通克里金和反距离加权等标准插值方法相竞争。特别地，MPRS 对于粗糙且非高斯数据（例如日降水时间序列）是一种特别有效的填补缺口方法。MPRS 对大样本展现出优越的计算效率与可扩展性。涉及数百万节点的海量数据集可在标准个人计算机上于数秒内处理完毕。
引用
@article{arxiv.2309.16448,
title = {A parsimonious, computationally efficient machine learning method for spatial regression},
author = {Milan Žukovič and Dionissios T. Hristopulos},
journal= {arXiv preprint arXiv:2309.16448},
year = {2025}
}
备注
42 pages, 15 figures