Mar, 2024

利用空间约束贝叶斯网络（SCB-Net）增强岩性绘图：一种基于现场数据约束预测和不确定性评估的方法

PDF
TL;DR地质图、地统计技术、空间约束贝叶斯网络、辅助变量、深度神经网络在地理统计学中的应用
geological mapsgeostatistical techniquesspatially constrained bayesian networkauxiliary variablesdeep neural networks
发现论文，激发创造
  • 空间贝叶斯神经网络

    我们提出了一种新的灵活类的空间过程模型，称为空间贝叶斯神经网络（SBNNs），它通过将空间嵌入层和可能的空间变化的网络参数结合到贝叶斯神经网络中，能更好地匹配目标过程的有限维分布。

    Nov, 2023

  • 融合空间知识的层次学习：地球影像中的洪水测绘应用

    提出了一种新颖的基于空间知识的分层学习（SKI-HL）框架，该框架采用多分辨率层次结构迭代地推断样本标签，并在具有不确定性感知的多实例学习中训练神经网络参数。实验证明，该模型在真实世界的洪水图像数据集上优于几种基准方法。

    Dec, 2023

  • 带贝叶斯神经场的可扩展时空预测

    贝叶斯神经场（BayesNF）是一种域通用的统计模型，用于推断时空域上丰富的概率分布，可用于包括预测、插值和变异图在内的数据分析任务。

    Mar, 2024

  • 贝叶斯神经网络在宇宙学中的鲁棒性基于仿真的推断

    使用贝叶斯神经网络框架进行 SBI 的训练，涉及宇宙微波背景的推断，并引入 cosmoSWAG 以缓解数据迁移问题。

    Jul, 2022

  • StatEcoNet: 物种分布建模的统计生态神经网络

    本文提出了一个名为 StatEcoNet 的框架，将图形生成模型应用于统计生态学，并在该框架下巧妙地融合神经网络，以应对物种分布建模中的挑战。使用模拟数据集和鸟类数据展示了 StatEcoNet 相对于相关方法的优越性，可以对生态科学和自然资源管理等领域的研究和保护威胁物种提供提升的计算和分析能力。

    Feb, 2021

  • 贝叶斯随机块模型

    本文介绍了利用贝叶斯推断从网络数据中提取大规模模块化结构的方法，重点介绍了基于随机块模型（SBM），以及其度修正和重叠推广。提供了一种允许防止过度拟合，实现模型选择的非参数公式。讨论了先验选择的方面，特别是如何通过加强贝叶斯层次结构来避免欠拟合，同时描述了执行单点估计和采样网络分区的有效算法。还展示了如何利用推断 SBM 来预测丢失和虚假链接，并揭示了网络中模块化结构可检测性的根本限制。

    May, 2017

  • 空间环境下的近似贝叶斯推理

    该论文介绍了一种基于模型的方法，利用概率推理和深度生成模型的方法，解决在空间环境中的定位、绘图、导航或自主探索等问题，并能够灵活地从数据中学习。该方法在两个不同的模拟环境中表现出了与专业最新方法相当的性能。

    May, 2018

  • GDBN：一种动态贝叶斯网络的图神经网络方法

    本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

    Jan, 2023

  • 地理空间数据的神经网络

    本文提出一种新的神经网络估计算法 NN-GLS，利用广义最小二乘（GLS）明确地考虑了空间协方差，从而实现非线性均值，并使用克里金法对新位置进行预测。 作者证明了 NN-GLS 对于不规则的空间相关数据过程是一致的，同时将该算法演示在模拟和实际数据集中。

    Apr, 2023

  • 自洽的深度几何学习用于异构多源空间点数据预测

    多源空间点数据预测的创新性框架将各种数据整合起来，不依赖地面真实标签，并通过引入 “可信度分数” 和地理位置感知图神经网络等技术有效地解决评估数据质量和建模空间关系的挑战，其在真实和合成数据集上的严格测试结果表明其优越性能。

    Jun, 2024