Key points are not available for this paper at this time.
تقترح هذه الورقة تقريبًا جديدًا منخفض الرتبة لنموذج الحالة (SSM) مع ابتكارات مترابطة مكانيًا لتحليل البيانات متعددة المتغيرات الزمانية المكانية. تعتمد معادلة قياس SSM على نموذج الارتباط الخطي، الذي يصف الارتباط المتبادل بين المتغيرات الملاحظة، بينما يتم نمذجة مصطلح الابتكار غاوسي من نوع Matérn في معادلة الحالة باستخدام نهج المعادلة التفاضلية الجزئية العشوائية (SPDE)، مما يسمح بتمثيل بعدي محدد للعمليات الكامنة باستخدام دوال أساسية محددة على شبكات مكانية. يتم تحقيق تقليل الأبعاد من خلال تقليل عدد العقد في الشبكات بشكل مناسب. يتم إجراء الاستدلال على معلمات النموذج عبر تقدير الاحتمالية القصوى (MLE)، المنفذ من خلال خوارزمية التوقع–التعظيم (EM)، التي تحتوي على صيغ تحديث مغلقة لمعظم المعلمات وروتينات عددية فعالة للباقي. نستنتج نتائج نظرية حول الدقة والتقارب للتقريب منخفض الرتبة ونحققها من خلال دراسات المحاكاة. تم تنفيذ خوارزمية EM ومشتقات الاحتمالية المطلوبة للاستدلال باستخدام Python/JAX، مما يمكّن من التفاضل التلقائي والتنفيذ القابل للتوسع عبر جميع النوى المحلية المتاحة، مع دعم أصلي لتسريع GPU وTPU. من خلال تحليل مجموعة بيانات كبيرة ثنائية المتغيرات حول جودة الهواء، نظهر أن تقليل عدد العقد بنسبة 75٪ يمكن أن يجعل تقدير النموذج أسرع بمقدار 15.8 مرة مع زيادة قدرها 15٪ فقط في خطأ التحقق. كما نقارن نهجنا بخيارات SPDE-INLA، مما يوضح تحسين قابلية التوسع الحسابي مع الحفاظ على أداء تنبؤي مماثل.
درس رودسشيني وآخرون (الخميس) هذا السؤال.