Modeling Large Nonstationary Spatial Data with the Full-Scale Basis Graphical Lasso
全尺度基图套索：大尺度非平稳空间数据建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论的是空间过程协方差建模与图套索估计，属于空间统计方法，未涉及所给微观、宏观或金融计量细分领域的主题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
全尺度基图套索：大尺度非平稳空间数据建模
- 研究问题
- 摘要称，本文关注如何对大规模非平稳空间过程数据进行建模，尤其是当训练数据有限、且需要刻画空间场显著特征时，如何兼顾低秩结构与稀疏协方差结构。
- 方法与思路
- 作者提出将潜在低秩过程与稀疏协方差模型结合：低秩成分系数赋予灵活的图高斯马尔可夫随机场模型，并融合全尺度近似与基图套索，形成全尺度基图套索（FSBGL）；估计采用图套索惩罚似然，并用凸差（difference-of-convex）方案优化。
- 材料陈述的贡献
- 摘要称，该方法在合成场与一个高分辨率热层模拟数据集上进行了展示；与当前先进空间模型相比，FSBGL 在训练数据有限时仍能更好地捕捉热层温度场的显著特征。
- 阅读关注点
- 阅读全文时应核对：低秩与稀疏成分的识别条件、图套索惩罚的具体形式与调参方式、凸差算法的收敛性保证、合成实验设计，以及热层数据比较中“更好”所用的评价指标与训练样本规模。
- 阅读边界
- 仅凭摘要无法判断估计量的一致性、渐近分布或算法收敛速度，也无法核实比较是否公平、是否优于所有相关方法；摘要未说明真实数据是否公开、计算成本与可扩展性边界。该文为 arXiv 预印本，尚未经同行评审或期刊接收。
原文摘要
We propose a new approach for the modeling large datasets of nonstationary spatial processes that combines a latent low rank process and a sparse covariance model. The low rank component coefficients are endowed with a flexible graphical Gaussian Markov random field model. The utilization of a low rank and compactly-supported covariance structure combines the full-scale approximation and the basis graphical lasso; we term this new approach the full-scale basis graphical lasso (FSBGL). Estimation employs a graphical lasso-penalized likelihood, which is optimized using a difference-of-convex scheme. We illustrate the proposed approach on synthetic fields as well as with a challenging high-resolution simulation dataset of the thermosphere. In a comparison against state-of-the-art spatial models, the FSBGL performs better at capturing salient features of the thermospheric temperature fields, even with limited available training data.