《Computational Statistics & Data Analysis》:Nonparametric Density Estimation on Complex Domains using Manifold-Aware Bayesian Additive Tree Models
编辑推荐:
本文提出了一种创新的非参数贝叶斯方法DensityBAST,用于解决复杂几何域(如不规则边界、线状网络)上的密度估计难题。该方法通过随机生成树弱学习器构建加性模型,既能捕捉密度函数的平滑变化又能识别锐利边界,并利用泊松-伽马共轭特性实现高效精确的贝叶斯推断。相比传统核密度估计(KDE)和逻辑高斯柯西过程(LGCP)等方法,在篮球投篮轨迹和道路网络犯罪热点等实际场景中展现出显著优势。
章节精选
基于贝叶斯加性模型的强度估计
设x1,...,xN表示d维空间复杂域D中的观测点位置。该域可包含不规则边界、内部孔洞等复杂几何特征。DensityBAST模型将强度函数Λ(x)表示为M个非负分段常数函数的加和:Λ(x) = ∑?=1Mg?(x; π?, λ?),其中每个弱学习器通过随机生成树划分产生符合域几何特征的连续分区。
DensityBAST的贝叶斯推断
泊松点过程的对数似然函数为:
?(Λ(x)) = |D| + ∑i=1Nlog Λ(xi) - ∫x∈DΛ(x)dx
当采用单层分区π={A1,...,Ak}时,似然函数简化为:
?(π, λ) = |D| + ∑j=1knjlog λj- λj|Aj|
通过对每个λj设置独立的Gamma先验,利用泊松-伽马共轭特性可获得解析后验分布。
实验验证
通过模拟研究和真实数据分析,将DensityBAST与密度贝叶斯加性回归树(DensityBART)、集成拉普拉斯近似屏障逻辑高斯柯西过程(INLA-LGCP)、核密度估计(KDE)和fdaPDE等方法进行对比。在五种包含复杂几何特征的模拟场景中,DensityBAST均表现出优越的强度函数估计精度。
研究结论
该方法为具有复杂强度模式的域约束点模式数据分析提供了创新解决方案,其贝叶斯后验采样框架可自然生成不确定性量化结果,在风险评估等领域具有重要应用价值。虽然开发了高效的并行共轭推断算法,但计算复杂度仍需在实际应用中进一步优化。