解耦距离与网络：基于混合图注意力-地理统计方法的时空风险图景
统计方法学
2026-04-15 v2 机器学习
摘要
准确的空间预测和严谨的不确定性量化是现代空间流行病学和环境风险分析的核心。我们引入一种统计原则的混合建模框架，将动态图注意力网络(GATv2)的非线性注意力表示学习能力与模型基准地理统计(MBG)中的潜在高斯空间过程相结合。该框架联合捕获图结构中编码的关系依赖性和由物理相邻性支配的连续空间依赖性。我们通过受控仿真研究和应用分析疟疾流行病数据评估所提模型，比较其预测精度、校准和不确定性量化与经典地理统计模型和独立GATv2架构的表现。我们的分析表明，GATv2捕获复杂非线性相互作用，但未能考虑残余空间自相关，导致预测分布失配。相比之下，地理统计模型通过结构化协方差函数提供连贯的不确定性量化，却受限于线性预测假设以及依赖欧几里得距离编码空间结构。通过将注意力机制和非线性特征与显式概率空间随机场相结合，混合模型捕获了关系依赖，持续改进了预测精度，并在模拟和应用场景中提供了更真实的不确定性量化。总体而言，发现该混合模型构成一种统计连贯且经验稳健的框架，可用于建模双方都存在距离依赖和结构依赖的复杂空间和时空过程。
引用
@article{arxiv.2603.08393,
title = {Decoupling Distance and Networks: Hybrid Graph Attention-Geostatistical Methods for Spatio-temporal Risk Mapping},
author = {Toba Temitope Bamidele and Ezra Gayawan and Femi Barnabas Adebola and Olatunji Johnson},
journal= {arXiv preprint arXiv:2603.08393},
year = {2026}
}
备注
30 pages, 8 figures