Rate-Preserving Shrinking-Support Gaussian Process Prediction
保持收敛率的收缩支撑高斯过程预测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：文本研究空间统计与核回归的通用预测稀疏化，温度应用不足以归入所列宏观或金融预测方向。
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…
保持收敛率的收缩支撑高斯过程预测
- 研究问题
- 在固定空间域和大样本下，能否通过缩小工作相关函数的支撑半径获得稀疏计算，同时保留最优预测误差收敛率？
- 方法与思路
- 作者采用尺度调整的紧支撑广义 Wendland 工作相关函数，联合选择随样本量收缩的支撑半径与正则化参数。
- 材料陈述的贡献
- 摘要称该选择可保留最优积分预测均方误差率，并减少协方差非零元素及矩阵向量乘法成本，另给出核岭回归对应结果。
- 阅读关注点
- 应核对固定域与准均匀设计条件、工作相关和真实协方差的关系、支撑与正则化选择，以及成本衡量的具体范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已经同行评审或期刊接收；摘要未给出具体速率、参数条件或完整计算复杂度。
原文摘要
Gaussian process prediction is a central tool in spatial statistics, but standard implementations require dense matrix operations that become prohibitive for large datasets. We propose a scale-adjusted compactly supported working correlation for Gaussian process prediction, using the generalized Wendland family with a support radius $φ_n$ that is allowed to decrease with the sample size $n$. Under fixed-domain asymptotics with quasi-uniform designs, a fixed support radius does not yield asymptotic sparsity, whereas a shrinking support radius can make the covariance matrix sparse. We show that $φ_n$ and the regularization parameter can be jointly chosen so that the resulting predictor preserves the optimal integrated mean squared prediction error rate while reducing the number of nonzero covariance entries and the associated sparse matrix-vector multiplication cost. We also establish an analogous rate-preserving sparsification result for kernel ridge regression. Simulations and an ERA5 temperature application show that the proposed method achieves competitive prediction accuracy while retaining the computational efficiency provided by sparse linear algebra.