用于建模非高斯依赖性的 A2 Copula 驱动的空间贝叶斯神经网络：一项模拟研究
统计方法学
2025-06-02 v1 机器学习
机器学习
摘要
在本文中，我们介绍了 A2 Copula 空间贝叶斯神经网络（A2-SBNN），这是一种预测性空间模型，旨在将坐标映射到连续场，同时捕获典型的空间模式和极端依赖性。通过将新型双尾 Archimedean copula 即 A2 直接嵌入到网络的权重初始化中，A2-SBNN 自然地建模了复杂的空间关系，包括数据中的罕见协同变动。该模型通过结合 Wasserstein 损失、矩匹配和相关惩罚的校准驱动过程进行训练，以优化预测并管理不确定性。模拟结果表明，A2-SBNN 在广泛的依赖强度范围内始终保持高精度，为超越传统基于高斯方法的空间数据建模提供了一种新的有效解决方案。
引用
@article{arxiv.2505.24006,
title = {A2 Copula-Driven Spatial Bayesian Neural Network For Modeling Non-Gaussian Dependence: A Simulation Study},
author = {Agnideep Aich and Sameera Hewage and Md Monzur Murshed and Ashit Baran Aich and Amanda Mayeaux and Asim K. Dey and Kumer P. Das and Bruce Wade},
journal= {arXiv preprint arXiv:2505.24006},
year = {2025}
}