Large datasets are daily gathered from different remote sensing platforms and statistical models are usually used to combine them by accounting for spatially varying bias corrections. The statistical inference of these models is usually based on Markov chain Monte Carlo (MCMC) samplers which involve updating a high-dimensional random effect vector and hence present slow mixing and convergence. To overcome this and enable fast inference in big spatial data problems, we propose the recursive nearest neighbor co-kriging (RNNC) model and use it as a framework which allows us to develop two computationally efficient inferential procedures: a) the collapsed RNNC that reduces the posterior sampling space by integrating out the latent processes, and b) the conjugate RNNC which is an MCMC free inference that significantly reduces the computational time without sacrificing prediction accuracy. The good computational and predictive performance of our proposed algorithms are demonstrated on benchmark examples and the analysis of the High-resolution Infrared Radiation Sounder data gathered from two NOAA polar orbiting satellites in which we managed to reduce the computational time from multiple hours to just a few minutes.


翻译:每天从不同的遥感平台收集大数据集,通常使用统计模型来计算空间差异的偏差校正。这些模型的统计推断通常以Markov链Monte Carlo(MCMC)取样器为基础,这些取样器涉及更新一个高维随机效应矢量,从而造成缓慢的混合和趋同。为了克服这一点,并能够在大空间数据问题中快速推断出,我们提议采用相距较近的循环近邻联合操纵模型(RNNC)模型,并将其作为一个框架,使我们能够开发两个计算效率高的推断程序:(a) 崩溃的RNNC,通过整合潜伏过程减少远地点取样空间;和(b) 共和RNNC,这是一个MC自由推断器,在不牺牲预测准确性的情况下大大减少计算时间。我们拟议算法的良好计算和预测性性表现在基准示例上以及对从两颗NOAA极轨道卫星收集到的高分辨率红外辐射测深线数据的分析中,我们设法将计算时间从多小时减少到几分钟。</s>

0
下载
关闭预览

相关内容

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
20+阅读 · 2021年9月22日
Arxiv
11+阅读 · 2020年12月2日
Principal Neighbourhood Aggregation for Graph Nets
Arxiv
17+阅读 · 2020年6月7日
Arxiv
19+阅读 · 2018年5月17日
Arxiv
15+阅读 · 2018年4月5日
VIP会员
相关资讯
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员