Nearest-Neighbor Non-Gaussian Processes for Geostatistical Modeling
用于地统计建模的最近邻非高斯过程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：摘要研究地统计空间过程与降水预测，没有宏观预测、金融风险或经济网络的直接证据。
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…
关注这篇论文的作者
用于地统计建模的最近邻非高斯过程
- 研究问题
- 如何在可计算的最近邻空间过程框架中捕捉非高斯局部依赖，并改善极端空间事件的预测，同时维持整体预测准确性？
- 方法与思路
- 作者在 Vecchia 近似中引入非线性条件均值，提出正则化同质性条件，以高斯过程构造条件均值，并用归一化流变分推断计算。
- 材料陈述的贡献
- 摘要称提出最近邻非高斯过程；合成数据和 PRISM 降水异常实验显示其捕捉局部非线性，并缓解极端空间事件被低估的问题。
- 阅读关注点
- 应核对条件分布如何形成协调一致的空间过程、同质性条件的作用，以及变分近似和邻域选择对极端事件预测的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收。摘要未说明完整条件、实验配置和改进幅度，空间极端事件也不等同于金融风险。
原文摘要
We develop a general class of nearest-neighbor non-Gaussian processes (NNnGP) for modeling geostatistical data. By introducing non-linear conditional mean functions into the Vecchia approximation, NNnGP extends the popular nearest-neighbor Gaussian process (NNGP) to effectively capture complex, non-Gaussian spatial characteristics. To ensure coherent spatial predictions from a single realization, we propose a regularized homogeneity condition across the univariate conditionals. We then formulate a Bayesian non-parametric construction of the conditional mean using Gaussian processes and embed the resulting NNnGP as a non-Gaussian spatial prior within a hierarchical regression model. For posterior computation and prediction, we adopt a normalizing flow-based variational inference approach. Numerical experiments on synthetic data and real-world PRISM precipitation anomalies demonstrate that NNnGP captures local non-linear dependencies and significantly mitigates the underestimation of extreme spatial events, all the while maintaining global predictive accuracy.