A Nonstationary Soft Partitioned Gaussian Process Model via Random Spanning Trees
基于随机生成树的非平稳软分区高斯过程模型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：摘要讨论空间随机场与降水预测，未提供宏观时间序列或其他所列经济领域细分的直接依据。
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…
关注这篇论文的作者
基于随机生成树的非平稳软分区高斯过程模型
- 研究问题
- 如何为局部平稳空间过程构建灵活且空间连通的分区，同时改善边界附近预测，并兼顾突变与局部平滑性？
- 方法与思路
- 作者用预测性随机生成树构造软分区过程，将局部模型连接为有效的非平稳过程，在统一框架中进行参数估计与预测。
- 材料陈述的贡献
- 摘要称，该模型容纳灵活子区域形状及空间场的不连续变化，并提出研究贝叶斯后验集中行为的理论框架，以美国降水数据演示。
- 阅读关注点
- 应核对软分区权重与边界预测的构造、过程有效性的保证，以及后验集中理论的适用条件，并查看突变和光滑区域的评估方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；后验集中条件与预测误差结果未提供，空间非平稳性不能直接推为时间序列结构变化结论。
原文摘要
There has been a long-standing challenge in developing locally stationary Gaussian process models concerning how to obtain flexible partitions and make predictions near boundaries. In this work, we develop a new class of locally stationary stochastic processes, where local partitions are modeled by a soft partition process via predictive random spanning trees that leads to highly flexible spatially contiguous subregion shapes. This valid nonstationary process model knits together local models such that both parameter estimation and prediction can be performed under a unified and coherent framework, and it captures both discontinuities/abrupt changes and local smoothness in a spatial random field. We propose a theoretical framework to study the Bayesian posterior concentration concerning the behavior of this Bayesian nonstationary process model. The performance of the proposed model is illustrated with simulation studies and real data analysis of precipitation rates over the contiguous United States. Supplementary materials for this article are available online.