REDS：随机集成深度空间预测
摘要：大规模数据集和/或预测域的空间预测算法的发展近年来引起了极大的关注。这些方法主要是在空间统计学界发展起来的，但机器学习界对此类方法的兴趣也越来越浓，主要是受到了深度高斯过程回归方法和深度卷积神经网络的成功驱动。这些方法往往在训练和实现上计算成本很高，因此，对于基于随机权重的随机投影和深度学习模型，即所谓的储备计算方法，人们对其再度产生了兴趣。在这里，我们结合了这些想法，发展了随机集合深度空间（REDS）预测方法。该方法使用随机傅立叶特征作为极限学习机（具有随机权重的深度神经模型）的输入，并通过基于不同随机权重的模型输出的校准集合提供简单的不确定性量化。REDS方法在模拟数据和经典的大型卫星数据集上进行了展示。
作者：Ranadeep Daw, Christopher K. Wikle
论文ID：2211.04682
分类：Computation
分类简称：stat.CO
提交时间：2022-11-10