PriorVAE：用变分自编码器编码空间先验用于小区域估计
机器学习
2023-04-11 v3 机器学习
摘要
高斯过程（GPs）通过有限数据集合的多元高斯分布实现，是小区域空间统计建模中最流行的方法。在此背景下，它们被用于编码空间上的相关结构，并能在插值任务中很好地泛化。尽管灵活，现成的高斯过程存在严重的计算挑战，限制了其在应用环境中的可扩展性和实际用处。在此，我们提出一种新颖的深度生成建模方法来应对这一挑战，称为PriorVAE：针对特定空间设置，我们通过先验采样并随后拟合变分自编码器（VAE）来近似一类GP先验。给定训练好的VAE，所得解码器允许空间推断变得极其高效，这得益于VAE的低维、独立分布的潜高斯空间表示。一旦训练完成，使用VAE解码器的推断在贝叶斯采样框架内替代GP。该方法提供了近似编码空间先验的可处理且易于实现的手段，并促进了高效的统计推断。我们在贝叶斯小区域估计任务上展示了我们VAE两阶段方法的效用。
引用
@article{arxiv.2110.10422,
title = {PriorVAE: Encoding spatial priors with VAEs for small-area estimation},
author = {Elizaveta Semenova and Yidan Xu and Adam Howes and Theo Rashid and Samir Bhatt and Swapnil Mishra and Seth Flaxman},
journal= {arXiv preprint arXiv:2110.10422},
year = {2023}
}