Nonparametric inference for nonstationary spatial point processes

技術要約：非定常空間点過程のための非パラメトリック推論

問題提起
空間点パターンデータは、急激な変化、ホットスポット、局所的な強度の空間的に変化する依存関係といった複雑な特徴を頻繁に示します。ポアソン過程の枠組みにおいて、これらの現象は基礎となる強度関数（IF）における不連続性と非定常性に相当します。定常モデルや既存の多くの非定常定式化を含む標準的なモデリング手法は、これらの特徴を捉えることに苦慮しています。定常モデルは不均一なレジームを表現できず、また標準的な非定常モデル（例：単一の潜在的ガウス過程によって駆動されるもの）は、データの鋭い遷移をぼかしてしまう過平滑化（oversmoothing）の傾向があります。

核心的な困難は、駆動するガウス過程（GP）が潜在変数であり、かつポアソン過程のIFを通じて非線形にモデルに寄与する場合に、柔軟な非定常共分散構造を推定することにあります。GP駆動型コックス過程の尤度は計算困難（intractable）であり、無限次元のGPをポアソン尤度に対して積分する必要がありますが、これには閉形式の解が存在しません。既存の文献では、通常、領域をグリッドに離散化したり、ラプラス近似を用いたりすることでこれを回避しています。これらの手法は、定量化が困難な近似誤差を導入し、グリッドセルの数に対して三次スケールで増加し、鋭い強度の境界のような構造的特徴を歪める可能性があります。

手法
本論文では、ランダムな領域分割を通じて非定常性を誘発するコックス過程である、**非定常空間点過程（NSPP）**モデルを提案しています。本手法の主要な構成要素は以下の通りです。

1. ランダム分割フレームワーク： 空間領域 $S$ を、未知の生成点 $U$ によって生成されるボロノイ・テセレーションを通じて $L$ 個の領域（$S_1, \dots, S_L$）に分割します。各領域 $S_\ell$ 内において、強度は $\lambda^*_\ell F(\beta_\ell(s))$ としてモデル化されます。ここで：

   • $\lambda^*_\ell$ は、領域固有の強度の実効上限です。
   • $F$ は既知の単調リンク関数（例：標準ガウス累積分布関数）です。
   • $\beta_\ell$ は、領域 $S_\ell$ に特有の、条件付き独立な定常ガウス過程です。
     この構成により、領域内の定常GPの扱いやすいメカニズムを維持しつつ、領域境界における不連続性と局所的な不均一な挙動を可能にします。

2. データ拡張による厳密な推論： 計算困難な尤度に対処するため、著者らはポアソン・シンニング（間引き）スキームをランダム分割の設定へと拡張しました。彼らは、観測されたプロセス $Y_\ell$ に加えて、潜在的なプロセス $\tilde{Y}_\ell$（間引かれたイベント）および $Z_\ell$（領域外のイベント）を導入しました。これにより、**増強された尤度（augmented likelihood）**が得られ、これは解析的に扱いやすく、空間領域の離散化や強度関数の積分の近似を行うことなく、厳密なベイズ推論を可能にします。

3. MCMCアルゴリズム： 厳密な無限次元事後分布を対象とする、離散化フリーのマルコフ連鎖モンテカルロ（MCMC）アルゴリズムを開発しました。アルゴリズムは、以下の5つのブロックを用いたギブス・サンプリング・スキームを採用しています。

   • 潜在プロセス $(\tilde{Y}, Z)$ の更新。
   • 分割 $U$ とプロセス・ラベル $(Y, \tilde{Y}, Z)$ の同時更新。これは、生成点に対する反発事前分布を尊重するメトロポリス・ヘイスティングス・ステップを用います。
   • 潜在的GP $\beta$ の更新（スキュー正規サンプリングまたはメトロポリス・ヘイスティングスを使用）。
   • 強度上限 $\lambda^*$ の更新。
   • GPのハイパーパラメータ $\theta$ および $\beta$ の無限次元の残差部分の更新（レトロスペクティブ・サンプリングを介して）。
     レトロスペクティブ・サンプリングの使用により、有限次元近似を行うことなく、アルゴリズムは厳密な事後分布をターゲットにすることができます。さらに、ランダム分割によってGP操作の三次計算コストをサブドメイン内に限定しており、本フレームワークは厳密性を保持したまま、疎なGP構成（例：Vecchia型近似）を用いて大規模なデータセットにスケールアップすることが可能です。

主な貢献

• 非定常コックス過程のための厳密な推論： 本論文は、柔軟な非定常強度推定と、離散化誤差のない厳密なベイズ推論を組み合わせた、最初のGP駆動型コックス過程を提示しています。
• 鋭い不連続性の処理： 条件付き独立なGPを用いたランダムなボロノイ分割を利用することで、標準的な非定常モデルでは平滑化されてしまうような、強度の急激な変化や鋭い遷移を捉えることができます。
• 計算効率： 分割戦略により、GP推論の計算負荷をサブドメイン内に限定します。本手法は、厳密な推論特性を維持しながら、数千の点を含む大規模なデータセットにもスケールします。
• モデル仕様に対する頑健性： 本手法は、分割数 $L$ の選択に対して頑健であることを示しており、$L$ が真のレジーム数よりも大きい場合でも良好に機能します。

結果
本手法は、合成データおよび実世界のアプリケーションを通じて評価されました。

• 合成データ： 不連続な強度関数や局所的なホットスポットが存在するシナリオにおいて、NSPPモデルは定常モデル、カーネルベースの推定器、および他の非定常な代替モデルを上回りました。モデルは強度表面と鋭い境界を正確に復元しましたが、競合するモデルはデータを過平滑化するか、あるいは不連続性を捉えることに失敗しました。また、分割数 $L$ が誤指定されている場合でも、モデルは頑健性を維持しました。
• 実データ（Beilschmiedia pendula）： パナマの樹木の分布に適用したところ、NSPPは対数ガウスコックス過程（LGCP）やXGBoostベースの非定常モデルよりも、高密度および低密度領域をより正確に捉えました。LGCPは過度に平滑化された表面を生成し、XGBoostPPは信頼性の低い局所推定を生成しましたが、NSPPはクラスの事前指定なしに低強度ゾーンを自然に特定しました。
• 実データ（マトグロッソ州の火災）： ブラジルの火災発生に適用したところ、モデルは州の中北部および北西部の高リスク地域（ホットスポット）を特定することに成功し、これは既知の土地利用ダイナミクスや森林減少パターンと一致していました。モデルは、標準的な定常モデルでは達成できない、空間的に解像された強度推定を提供しました。

意義と主張
本論文は、提案されたNSPPモデルが、非定常性下における点過程分析において実質的な手法上の進歩を提供すると主張しています。これは、柔軟性、厳密性、およびロバストな不確実性定量化の間の長年のトレードオフに対処するものです。既存のアプローチがこれらの特性のいずれかを犠牲にするのに対し、NSPPモデルは以下の特性を備えています。

1. 完全なベイズの枠組みの中で、すべての構造的特徴（強度、相関、および分割）に対して一貫したロバストな不確実性定量化を提供します。
2. 連続領域上で直接動作することにより、離散化誤差を回避します。
3. 火災の発生や生態学的分布のような、現実世界の現象に特徴的な鋭い空間的変化や不均一なレジームを効果的に捉えます。

著者らは、本手法が様々なシナリオにおいて定常および非定常の代替モデルと同等、あるいはそれ以上に優れていると結論付けており、複雑な空間点パターンを分析するための原理的な枠組みを提供しています。今後の課題として、非空間的共変量の導入やさらなる計算上の改善が示唆されています。