最近邻高斯过程模型的spNNGP-R包

@第{Finley2020spNNGPRP条，title={最近邻高斯过程模型的spNNGP R包}，作者＝{Andrew O.Finley和Abhirup Datta和Sudipto Banerjee}，日志={J.Stat.Softw.}，年份={2020年}，体积={103}，网址={https://api.semanticscholar.org/CorpusID:250464368}}
spNNGP R包为高斯和非高斯点参考结果提供了一套空间回归模型，这些结果具有空间索引，并实现了几个马尔可夫链蒙特卡罗和MCMC模型，用于推断大型空间数据。
[PDF]语义阅读器
19引文
极具影响力的引文
2
背景引文
三
方法引文
13

本文图表

询问这篇论文
贝塔
AI供电

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

19引文

拟合高斯过程的小批量马尔可夫链蒙特卡罗算法

本研究概述了近似和精确的小批量马尔可夫链蒙特卡罗算法，这些算法通过一次只考虑数据的小子集，大大减少了拟合高斯过程的计算。

高维非平稳高斯过程的贝叶斯推断

这项工作开发了一种方法，用于为一般类非平稳广义预测实现形式化贝叶斯推理，该方法使用预先存在的框架，以新的方式表征非平稳性，同时通过现代广义预测似然近似进行利用。

spmodel:R中的空间统计建模和预测

spmodel是一个R包，用于拟合、总结和预测应用于点参考或面（格）数据的各种空间统计模型。使用各种方法估计参数…

空间数据可伸缩高斯过程回归的分层方法

基于Chen等人提出的层次协方差近似，开发了一种更有效的GPR版本，并更普遍地展示了如何将这种方法用于系统识别特定的发展机会。

使用FRK建模大型、异构、非高斯空间和时空数据

本文描述了FRK的一个主要升级，它允许在广义线性混合模型框架中分析非高斯数据，因此通常能够实现比高斯设置下的包的先前版本更准确的预测。

二进制地理空间数据的随机森林

本文提出了RF-GP，使用随机森林估计非线性协变量效应，使用高斯过程直接在广义混合模型框架内建模空间随机效应，并提出了一种新的链路反转算法，该算法利用GP的特性估计协变量效应并提供空间预测。

分区域上基于网格高斯过程的高可伸缩贝叶斯地质统计建模

介绍了一类可扩展的贝叶斯层次模型，用于分析海量地质统计数据集和在细分域上开发MGP，并配有Gibbs采样器以有效恢复空间随机效应。

空间相关数据的随机森林

本文提出了RF-GLS，这是RF的一种新的、原则性很强的扩展，用于估计空间混合模型中的非线性协变量效应，其中空间相关性是使用GP建模的，并为包括流行的空间Matérn GP的β混合相关误差过程建立了RF-GLS-一致性。

使用FRK对非高斯空间和时空数据进行建模、拟合和预测

本文描述了FRK的一个主要升级，它允许在广义线性混合模型框架中分析非高斯数据，因此通常能够实现比高斯设置下的包的先前版本更准确的预测。

sdmTMB:R包，用于快速、灵活和用户友好的具有空间和时空随机场的广义线性混合效应模型

引入了R包sdmTMB，它扩展了lme4、glmmTMB和mgcv用户熟悉的灵活界面，使用SPDE-（随机偏微分方程）将空间和时空潜在GMRFs包括在内基于的方法，希望这种可访问的界面将有助于将这类有用的模型扩展到更广泛的地质统计分析领域。

84参考文献

spBayes R包中的Bayes空间变系数模型

贝叶斯最近邻高斯过程的有效算法

摘要我们考虑最近提出的分层最近邻高斯过程（NNGP）模型的替代公式，以改进收敛性、更快的计算时间以及更健壮和…

laGP:R中基于局部近似高斯过程的大尺度空间建模

这项工作讨论了R的laGP包中局部近似高斯过程模型的实现，该模型提供了一种独特的稀疏矩阵补救措施，可以利用现代并行计算架构。

贝叶斯非平稳高斯过程建模：R的贝叶斯NSGP包

提出了R的Bayes NSGP软件包，该软件包支持完全贝叶斯非平稳高斯过程建模的离线功能，并实现近似高斯过程推理，以处理超大空间数据集。

大型地质统计数据集的层次最近邻高斯过程模型

开发了一类可高度扩展的最近邻高斯过程（NNGP）模型，用于为大型地质统计数据集提供完全基于模型的推理，并证明了NNGP是一个定义良好的空间过程，可通过稀疏精度矩阵提供合法的有限维高斯密度。

大型单变量和多变量点参考时空数据模型的spBayes

本文详细介绍了spBayes R包中核心函数的重新制定和重写，并详细介绍了为空间和时间索引的数据建模的新函数，其中空间被视为连续的，时间被视为离散的。

高维非平稳高斯过程的贝叶斯推断

这项工作开发了一种方法，用于为一般类非平稳广义预测实现形式化贝叶斯推理，该方法使用预先存在的框架，以新的方式表征非平稳性，同时通过现代广义预测似然近似进行利用。

机器学习的高斯过程

本文在相当初级的层面上介绍了高斯过程，特别强调了机器学习中的相关特征，并展示了与社区中流行的其他“内核机器”的精确联系。

高维贝叶斯地质统计学。

两种方法可以描述为大型时空数据集的基于模型的解决方案，确保算法复杂性具有~n个浮点运算（flops），其中n是空间位置的数量（每次迭代）。

大空间数据集的高斯预测过程模型

这项工作实现了在包含这些不同设置的计算模板形式的大数据集环境中适应非平稳、非高斯、可能多元、可能时空过程的灵活性。
...