Highly Scalable Bayesian Geostatistical Modeling via Meshed Gaussian Processes on Partitioned Domains
基于分区域网格化高斯过程的高可扩展贝叶斯地统计建模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。
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：摘要聚焦空间高斯过程和遥感数据计算，未提供宏观或金融因子等所列细分方向的直接证据。
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…
基于分区域网格化高斯过程的高可扩展贝叶斯地统计建模
- 研究问题
- 面对海量空间及多变量时空数据，如何建立可扩展的贝叶斯层级模型，并降低潜在空间随机效应推断的计算负担？
- 方法与思路
- 作者划分空间域，以诱导稀疏性的有向无环图连接区域，构造网格化高斯过程，并开发支持并行和矩阵缓存的 Gibbs 抽样器。
- 材料陈述的贡献
- 摘要称，立方网格化高斯过程可改善相较序贯更新的混合与计算时间，并展示对数百万位置遥感数据的潜在时空效应恢复。
- 阅读关注点
- 应核对空间过程的有效性、分区与图结构的选择、并行更新依据，以及比较实验的精度指标、计算资源和缓存成本。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；未给出具体比较数值、适用条件或资源配置，不能据此判断普遍性能优势。
原文摘要
We introduce a class of scalable Bayesian hierarchical models for the analysis of massive geostatistical datasets. The underlying idea combines ideas on high-dimensional geostatistics by partitioning the spatial domain and modeling the regions in the partition using a sparsity-inducing directed acyclic graph (DAG). We extend the model over the DAG to a well-defined spatial process, which we call the Meshed Gaussian Process (MGP). A major contribution is the development of a MGPs on tessellated domains, accompanied by a Gibbs sampler for the efficient recovery of spatial random effects. In particular, the cubic MGP (Q-MGP) can harness high-performance computing resources by executing all large-scale operations in parallel within the Gibbs sampler, improving mixing and computing time compared to sequential updating schemes. Unlike some existing models for large spatial data, a Q-MGP facilitates massive caching of expensive matrix operations, making it particularly apt in dealing with spatiotemporal remote-sensing data. We compare Q-MGPs with large synthetic and real world data against state-of-the-art methods. We also illustrate using Normalized Difference Vegetation Index (NDVI) data from the Serengeti park region to recover latent multivariate spatiotemporal random effects at millions of locations. The source code is available at github.com/mkln/meshgp.