面向大型地统计数据集的层次化最近邻高斯过程模型
统计方法学
2016-01-05 v2
摘要
用于分析地统计数据的空间过程模型涉及大量计算，当空间位置数量变大时，这些计算变得难以承受。本文开发了一类高度可扩展的最近邻高斯过程 (NNGP) 模型，旨在为大型地统计数据集提供完全基于模型的推断。我们确立了 NNGP 是一个定义良好的空间过程，能够提供具有稀疏精度矩阵的合法有限维高斯密度。我们将 NNGP 作为诱导稀疏性的先验嵌入到一个丰富的层次化建模框架中，并概述了如何执行计算高效的马尔可夫链蒙特卡洛 (MCMC) 算法，而无需存储或分解大型矩阵。该算法每次迭代的浮点运算次数 (flops) 与空间位置数量呈线性关系，从而实现了显著的可扩展性。我们通过模拟研究说明了 NNGP 相对于竞争方法的计算和推断优势，并在一个排除了其他降维方法的规模上，分析了来自美国森林清查大规模数据集的森林生物量。
引用
@article{arxiv.1406.7343,
title = {Hierarchical Nearest-Neighbor Gaussian Process Models for Large Geostatistical Datasets},
author = {Abhirup Datta and Sudipto Banerjee and Andrew O. Finley and Alan E. Gelfand},
journal= {arXiv preprint arXiv:1406.7343},
year = {2016}
}