Scalable Spatiotemporal Prediction with Bayesian Neural Fields
利用贝叶斯神经场实现可扩展的时空预测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：摘要聚焦气候和公共卫生的通用时空预测，未提供宏观经济预测或其他所列经济领域方向的明确依据。
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…
利用贝叶斯神经场实现可扩展的时空预测
- 研究问题
- 如何在大规模时空数据中同时刻画复杂动态关系、支持预测与插值，并提供可计算的预测不确定性量化？
- 方法与思路
- 作者将深度神经网络的函数估计能力与层级贝叶斯推断结合，构建用于预测、插值和变差函数分析的 BayesNF。
- 材料陈述的贡献
- 摘要称该模型在气候及公共卫生预测任务中相较所选基线有所改善，并提供支持 GPU、TPU 的开源软件包。
- 阅读关注点
- 应核对层级模型与推断近似、时空验证集划分、预测区间校准，以及比较基线和计算资源是否具有可比性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未给出误差数值、校准结果，不能推断其普遍优越性。
原文摘要
Spatiotemporal datasets, which consist of spatially-referenced time series, are ubiquitous in diverse applications, such as air pollution monitoring, disease tracking, and cloud-demand forecasting. As the scale of modern datasets increases, there is a growing need for statistical methods that are flexible enough to capture complex spatiotemporal dynamics and scalable enough to handle many observations. This article introduces the Bayesian Neural Field (BayesNF), a domain-general statistical model that infers rich spatiotemporal probability distributions for data-analysis tasks including forecasting, interpolation, and variography. BayesNF integrates a deep neural network architecture for high-capacity function estimation with hierarchical Bayesian inference for robust predictive uncertainty quantification. Evaluations against prominent baselines show that BayesNF delivers improvements on prediction problems from climate and public health data containing tens to hundreds of thousands of measurements. Accompanying the paper is an open-source software package (https://github.com/google/bayesnf) that runs on GPU and TPU accelerators through the JAX machine learning platform.