用基图 lasso 建模海量高维非平稳空间数据
统计方法学
2024-07-08 v2 机器学习
机器学习
摘要
我们提出一种用于高维多元空间过程的新建模框架，综合了近期多尺度与谱方法以及图模型的思想。基图 lasso 将单变量高斯过程写为基函数的线性组合，其权重为高斯图向量的分量，该向量的图通过优化 惩罚似然估计得到。本文将该设定扩展至多元高斯过程，其中基函数由高斯图向量加权。我们提出一种模型，其中基函数代表不同分辨率层次，且各层次的图向量假定相互独立。使用正交基使得在空间位置数、基函数数和实现次数上均具有线性复杂度和内存占用。额外的融合惩罚鼓励多级图模型中简洁的条件独立结构。我们在国家大气研究中心社区大气模型的大型气候集合（涉及 40 个空间过程）上展示了我们的方法。
引用
@article{arxiv.2101.02404,
title = {Modeling massive highly-multivariate nonstationary spatial data with the basis graphical lasso},
author = {Mitchell Krock and William Kleiber and Dorit Hammerling and Stephen Becker},
journal= {arXiv preprint arXiv:2101.02404},
year = {2024}
}