Abstract:We propose a novel statist

Abstract:
We propose a novel statistical model to describe spatio-temporal extreme events. The model can be used, for instance, to estimate extreme-value temporal pattern such as seasonality and trend, and further to predict the distribution of extreme events in the future. Such model usually involves thousands or even millions of variables in the spatio-temporal domain, whereas only one single observation is available for each location and time point. To address this challenge, previous works usually employ learning and inference methods that are computationally burdensome, and therefore are prohibitive for large-scale data. Moreover, they assume that the shape and scale parameters of the extreme-value distributions are constant across the spatio-temporal domain, which is often too restrictive in practice. In this paper, we break through these limitations by exploring graphical models to capture the highly structured dependencies among the parameters of extreme-value distributions. Furthermore, we develop an efficient stochastic variational inference (SVI) algorithm to learn the parameters of the resulting non-Gaussian graphical model. The computational complexity of the SVI algorithm is sublinear in the number of variables, thus enabling the proposed model to tackle large-scale spatio-temporal data in real-life applications. Results of both synthetic and real data demonstrate the effectiveness of the proposed approach.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ:เรานำเสนอแบบจำลองทางสถิตินวนิยายเพื่ออธิบายเหตุการณ์รุนแรงที่ขมับ spatio แบบจำลองที่ใช้ เช่น การประเมินรูปแบบขมับค่ามากเช่นฤดูกาลและแนวโน้ม และการทำนายการกระจายตัวของเหตุการณ์รุนแรงในอนาคต รุ่นดังกล่าวมักจะเกี่ยวข้องกับพันหรือล้านตัวแปรในโดเมน spatio กาล ในขณะที่มีเพียงหนึ่งเดียวสังเกตแต่ละจุดของสถานที่และเวลา ประชากรกลุ่มนี้ ก่อนหน้านี้ทำงานมักจะใช้วิธีการอนุมานและการเรียนรู้ที่จะ computationally เดิ้ม และดังนั้นจึง ห้ามปรามสำหรับข้อมูลขนาดใหญ่ นอกจากนี้ พวกเขาสมมติว่า พารามิเตอร์รูปร่างและขนาดของการกระจายค่าสุดขีดเป็นคงข้ามโดเมน spatio ขมับ ซึ่งมักจะจำกัดเกินไปในการปฏิบัติ ในกระดาษนี้ เราตัดผ่านข้อจำกัดเหล่านี้ โดยการสำรวจแบบกราฟิกรุ่นจับอ้างอิงที่มีโครงสร้างสูงระหว่างพารามิเตอร์ของการกระจายค่าสุดขีด นอกจากนี้ เราพัฒนาอัลกอริทึมมีประสิทธิภาพ stochastic variational อนุมาน (SVI) เพื่อเรียนรู้พารามิเตอร์ของรูปแบบกราฟิกนที่เกิด ความซับซ้อนของอัลกอริทึม SVI คำนวณ sublinear ของจำนวนตัวแปร จึง ทำให้แบบจำลองนำเสนอการต่อสู้ขนาดใหญ่ขมับ spatio ข้อมูลในการใช้งานจริงได้ ผลลัพธ์ของข้อมูลจริง และสังเคราะห์แสดงให้เห็นถึงประสิทธิภาพของวิธีการนำเสนอ

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ:
เราเสนอแบบจำลองทางสถิติใหม่ในการอธิบายเหตุการณ์รุนแรง spatio กาล รูปแบบที่สามารถนำมาใช้เช่นในการประมาณการมากค่ารูปแบบชั่วคราวเช่นฤดูกาลและแนวโน้มและต่อไปที่จะคาดการณ์การกระจายของเหตุการณ์รุนแรงในอนาคต รุ่นดังกล่าวมักจะเกี่ยวข้องกับหลายพันหรือล้านของตัวแปรในโดเมน spatio กาลขณะที่มีเพียงหนึ่งเดียวสังเกตสามารถใช้ได้สำหรับการจุดสถานที่และเวลาในแต่ละ เพื่อรับมือกับความท้าทายนี้ทำงานก่อนหน้านี้มักจะจ้างการเรียนรู้และการอนุมานวิธีการที่มีภาระคอมพิวเตอร์และดังนั้นจึงเป็นที่ต้องห้ามสำหรับข้อมูลขนาดใหญ่ นอกจากนี้พวกเขาคิดว่ารูปร่างและขนาดพารามิเตอร์ของการกระจายมากค่าคงที่ข้ามโดเมน spatio กาลซึ่งมักจะ จำกัด มากเกินไปในทางปฏิบัติ ในบทความนี้เราจะฝ่าข้อ จำกัด เหล่านี้โดยการสำรวจรูปแบบกราฟิกในการจับภาพการอ้างอิงที่มีโครงสร้างอย่างสูงในหมู่พารามิเตอร์ของการกระจายมากมูลค่า นอกจากนี้เรามีการพัฒนาที่มีประสิทธิภาพสุ่มอนุมานแปรผัน (SVI) ขั้นตอนวิธีการที่จะเรียนรู้พารามิเตอร์ของการส่งผลให้รูปแบบกราฟิกที่ไม่เกาส์ ความซับซ้อนของขั้นตอนวิธีการคำนวณ SVI เป็น sublinear ในจำนวนของตัวแปรจึงทำให้การนำเสนอรูปแบบที่จะแก้ไขปัญหาข้อมูลขนาดใหญ่ spatio กาลในการใช้งานในชีวิตจริง ผลการค้นหาของข้อมูลทั้งสังเคราะห์และจริงแสดงให้เห็นถึงประสิทธิภาพของวิธีการที่นำเสนอ

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ :เรานำเสนอรูปแบบทางสถิติใหม่ เพื่ออธิบายเหตุการณ์รุนแรงเชิงพื้นที่และเวลา . แบบจำลองสามารถนำมาใช้ เช่น การประมาณค่า และแบบสุดโต่ง เช่น ฤดูกาลและแนวโน้ม และยังทำนายการกระจายของเหตุการณ์รุนแรงในอนาคต รูปแบบดังกล่าวมักจะเกี่ยวข้องกับหลายพันหรือแม้กระทั่งนับล้านของตัวแปรในการวิเคราะห์เชิงพื้นที่และเวลา ขณะเดียว การสังเกตสามารถใช้ได้สำหรับแต่ละสถานที่และจุดเวลา เพื่อจัดการกับความท้าทายนี้ ผลงานที่ผ่านมามักจะใช้วิธีการอนุมานและการเรียนรู้ที่ computationally เป็นภาระ และดังนั้นจึง มีข้อห้ามสำหรับข้อมูลขนาดใหญ่ นอกจากนี้ พวกเขาสันนิษฐานว่า รูปร่างและขนาดพารามิเตอร์ของการแจกแจงค่ามากคงที่ข้ามโดเมนเชิงพื้นที่และเวลา ซึ่งมักจะเข้มงวดเกินไปในการปฏิบัติ ในกระดาษนี้เราแบ่งผ่านข้อ จำกัด เหล่านี้ โดยการสำรวจแบบกราฟิกเพื่อยึดโครงสร้างสูง dependencies ระหว่างค่าพารามิเตอร์ของการแจกแจงค่าสุดขีด นอกจากนี้ เราพัฒนาประสิทธิภาพสุ่มการอนุมาน ( SVI ) วิธีที่จะเรียนรู้ค่าของผลไม่เสียนกราฟิกแบบ ความซับซ้อนเชิงคำนวณของ SVI ในขั้นตอนวิธี sublinear จำนวนตัวแปร ดังนั้นจึง ช่วยให้รูปแบบการแก้ไขข้อมูลเชิงพื้นที่และเวลาขนาดใหญ่ในการใช้งานในชีวิตจริง ผลของทั้งสังเคราะห์และข้อมูลที่แท้จริงแสดงให้เห็นถึงประสิทธิภาพของวิธีการที่เสนอ .