A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Efficient spatial designs using Hausdorff distances and Bayesian optimization (2022)


Paglia, J., Eidsvik, J., & Karvanen, J. (2022). Efficient spatial designs using Hausdorff distances and Bayesian optimization. Scandinavian Journal of Statistics, 49(3), 1060-1084. https://doi.org/10.1111/sjos.12554


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatPaglia, Jacopo; Eidsvik, Jo; Karvanen, Juha

Lehti tai sarjaScandinavian Journal of Statistics

ISSN0303-6898

eISSN1467-9469

Julkaisuvuosi2022

Ilmestymispäivä20.09.2021

Volyymi49

Lehden numero3

Artikkelin sivunumerot1060-1084

KustantajaWiley-Blackwell

JulkaisumaaBritannia

Julkaisun kielienglanti

DOIhttps://doi.org/10.1111/sjos.12554

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusOsittain avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX)https://jyx.jyu.fi/handle/123456789/78515


Tiivistelmä

An iterative Bayesian optimisation technique is presented to find spatial designs of data that carry much information. We use the decision theoretic notion of value of information as the design criterion. Gaussian process surrogate models enable fast calculations of expected improvement for a large number of designs, while the full-scale value of information evaluations are only done for the most promising designs. The Hausdorff distance is used to model the similarity between designs in the surrogate Gaussian process covariance representation, and this allows the suggested algorithm to learn across different designs. We study properties of the Bayesian optimisation design algorithm in a synthetic example and real-world examples from forest conservation and petroleum drilling operations. In the synthetic example we consider a model where the exact solution is available and we run the algorithm under different versions of this example and compare it with existing approaches such as sequential selection and an exchange algorithm.


YSO-asiasanatpaikkatietoanalyysipäätöksentukijärjestelmätoptimointibayesilainen menetelmä

Vapaat asiasanatBayesian optimisation; Hausdorff distance; value of information


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty


OKM-raportointiKyllä

Raportointivuosi2022

JUFO-taso2


Viimeisin päivitys 2024-25-02 klo 20:06