新的VREML框架为空间数据提供可扩展的推理

研究人员开发了一个新的变分限制最大似然（VREML）框架，以提高使用高斯内在条件自回归（ICAR）结构建模的空间数据的推理可扩展性。这种VREML方法用高斯变分分布近似了难以处理的边际似然，从而产生了一种高效的坐标上升算法，用于估计空间随机效应和方差分量。该方法在理论上保证了证据下界（ELBO）的单调收敛，并且在高斯ICAR设置下被证明是精确的，消除了后验级别的近似误差。实证结果表明，VREML框架优于传统的最大似然估计（MLE）和集成嵌套拉普拉斯近似（INLA）。 AI

影响 这项研究介绍了一种更有效的方法来分析复杂空间数据，可能有利于依赖此类数据的AI应用。

排序理由 该集群包含一篇详细介绍空间数据推理新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 阅读 →

• arXiv
• Debjoy Thakur
• Gaussian intrinsic conditional autoregressive (ICAR)
• Integrated Nested Laplace Approximation (INLA)
• Maximum Likelihood Estimation (MLE)
• variational restricted maximum likelihood (VREML)

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →