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

Karvanen, Juha

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Paglia, Jacopo; Eidsvik, Jo; Karvanen, Juha

Lehti tai sarja: Scandinavian Journal of Statistics

ISSN: 0303-6898

eISSN: 1467-9469

Julkaisuvuosi: 2022

Ilmestymispäivä: 20.09.2021

Volyymi: 49

Lehden numero: 3

Artikkelin sivunumerot: 1060-1084

Kustantaja: Wiley-Blackwell

Julkaisumaa: Britannia

Julkaisun kieli: englanti

DOI: https://doi.org/10.1111/sjos.12554

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Osittain 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-asiasanat: paikkatietoanalyysi; päätöksentukijärjestelmät; optimointi; bayesilainen menetelmä

Vapaat asiasanat: Bayesian optimisation; Hausdorff distance; value of information

Tieteenalat: