Log Gaussian Cox Processes
PulseAugur coverage of Log Gaussian Cox Processes — every cluster mentioning Log Gaussian Cox Processes across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型神经网络框架简化点模式的贝叶斯推断
研究人员开发了一种新颖的摊销变分框架，利用神经网络从复制的点模式中推断潜在点过程强度。该方法学习了一个可重用的推断规则，将点模式数据映射到共享潜在强度的分布，从而无需进行每次数据集的采样或优化。该框架在事件时间上进行训练，在合成数据上显示出改进的强度恢复和更窄的可信区间，并在自行车共享数据上实现了比现有方法更高的保留对数似然，同时显著减少了推断时间。
-
新的ISBO框架为时空数据提供可扩展的贝叶斯优化
研究人员开发了ISBO，一个新颖的贝叶斯优化框架，专为可扩展的时空数据分析而设计。该方法使用Log-Gaussian Cox过程对对数强度进行建模，并采用INLA-SPDE方法进行高效推理。ISBO利用网格上的Matern场创建稀疏高斯马尔可夫随机场，通过集成嵌套拉普拉斯近似实现快速后验推理。实验表明，ISBO在仅需少量数据评估的情况下，能够准确识别高强度区域和峰值，其性能优于现有方法。
-
AlphaEarth模型通过上下文数据增强时空预测能力
研究人员开发了AlphaEarth，这是一种旨在改善事件数据的时空预测的新模型，尤其是在本地历史信息稀疏的情况下。通过将AlphaEarth嵌入作为空间上下文整合到对数高斯Cox过程骨干中，该模型在预测历史数据有限地区的紧急医疗服务（EMS）事件方面表现出显著的改进。研究发现，这种上下文信息大大稳定了预测，在历史长度较短的情况下显示出2-6倍的乘法改进，在历史长度较长的情况下显示出约10-20%的改进。