基于贝叶斯深度学习的 Log-Gaussian Cox 点过程推断：应用于人类口腔微生物组图像数据
统计方法学
2025-03-19 v2
摘要
在自然界中，常见对象在空间上的聚集现象。探索此类聚集观察位置所关联机制对于理解现象本身、了解空间异质性来源，或与同一领域内其他事件生成过程的比较具有重要意义。Log-Gaussian Cox 过程 (LGCP) 是表示空间点图模式聚集的重要模型类。然而，对于此类模型进行基于似然的贝叶斯推断在高维情形下 presents 许多计算挑战。本文提出了一种 novel 似然-free 推断方法，用于 LGCP，采用最近发展的 BayesFlow 方法，其中采用可逆神经网络来近似感兴趣参数的后验分布。BayesFlow 是一种神经仿真方法，基于“摊销”后验估计。也就是说，在初始训练程序之后，快速的前馈操作允许对同一模型族内的任何数据进行快速后验推断。综合数值研究验证了该框架的可靠性，显示 BayesFlow 在重复应用中特别是二维 LGCP 上实现了显著的计算收益。我们通过应用于两个不同的口腔微生物基质图像，展示了该方法的实用性和鲁棒性。
引用
@article{arxiv.2502.12334,
title = {Inference for Log-Gaussian Cox Point Processes using Bayesian Deep Learning: Application to Human Oral Microbiome Image Data},
author = {Shuwan Wang and Christopher K. Wikle and Athanasios C. Micheas and Jessica L. Mark Welch and Jacqueline R. Starr and Kyu Ha Lee},
journal= {arXiv preprint arXiv:2502.12334},
year = {2025}
}