地统计学习：挑战与机遇
机器学习
2021-02-18 v1 机器学习
摘要
统计学习理论为应用机器学习及其在计算机视觉、自然语言处理和其他科学领域的各种成功应用提供了基础。然而，该理论未考虑在地理空间环境中进行统计学习的独特挑战。例如，众所周知，由于空间相关性，模型误差不能假设为在地理空间（亦称区域化）变量中独立同分布；并且由地球物理过程引起的趋势导致训练模型的域与将应用模型的域之间出现协变量偏移，这反过来损害了依赖数据随机样本的经典学习方法的运用。在本工作中，我们引入地统计（迁移）学习问题，并通过在协变量偏移和空间相关性下评估广泛使用的学习模型泛化误差估计方法，来说明从地理空间数据学习的挑战。使用合成高斯过程数据以及来自新西兰地球物理勘测的真实数据的实验表明，这些方法都不适用于地理空间背景下的模型选择。我们在积极研究新方法的同时，就实践中这些方法的选择提供一般性指导。
引用
@article{arxiv.2102.08791,
title = {Geostatistical Learning: Challenges and Opportunities},
author = {Júlio Hoffimann and Maciel Zortea and Breno de Carvalho and Bianca Zadrozny},
journal= {arXiv preprint arXiv:2102.08791},
year = {2021}
}