Bayesian Local Kriging - Archive ouverte HAL
Article Dans Une Revue Technometrics Année : 2017

Bayesian Local Kriging

Résumé

We consider the problem of constructing metamodels for computationally expensive simulation codes; that is, we construct interpolation/prediction of functions values (responses) from a finite collection of evaluations (observations). We use Gaussian process modeling and Kriging, and combine a Bayesian approach, based on a finite set of covariance functions, with the use of localized models, indexed by the point where the prediction is made. Our approach does not yield a single generative model for the unknown function, but by letting the weights of the different covariance functions depend on the prediction site, it gives enough flexibility for predictions to accommodate to non-stationarity. Contrary to Kriging prediction with plug-in parameter estimates, the resulting Bayesian predictor is constructed explicitly, without requiring any numerical optimization. It inherits the smoothness prop-erties of the covariance functions that are used and its superiority over the plug-in Kriging predictor (sometimes also called empirical-best-linear-unbiased predictor) is illustrated on various examples, including the reconstruction of an oceanographic field from a small number of observations.
Fichier principal
Vignette du fichier
Local_kriging-V2.pdf (857.77 Ko) Télécharger le fichier
LK.pdf (15.27 Ko) Télécharger le fichier
MUMM_BLK_prediction.pdf (17.2 Ko) Télécharger le fichier
MUMM_SqError_BLK.pdf (18.65 Ko) Télécharger le fichier
MUMM_SqError_BLKeuclidean-BLK.pdf (19.44 Ko) Télécharger le fichier
MUMM_SqError_EBLUP-BLK.pdf (19.45 Ko) Télécharger le fichier
MUMM_Weights_BLK.pdf (21.52 Ko) Télécharger le fichier
MUMM_Zn_design.pdf (19.75 Ko) Télécharger le fichier
MUMM_distance_1point.pdf (16.88 Ko) Télécharger le fichier
MUMM_thetastar.pdf (10.67 Ko) Télécharger le fichier
Z_D.pdf (211.67 Ko) Télécharger le fichier
Z_E.pdf (141.65 Ko) Télécharger le fichier
boxplot_Ex2.pdf (12.92 Ko) Télécharger le fichier
deceptive_BLKP.pdf (13.91 Ko) Télécharger le fichier
deceptive_kriging.pdf (13.8 Ko) Télécharger le fichier
designX0.pdf (8.83 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-01093466 , version 1 (12-12-2014)

Identifiants

  • HAL Id : hal-01093466 , version 1

Citer

Luc Pronzato, Joaõ Rendas. Bayesian Local Kriging. Technometrics, 2017, 59 (3), pp.293-304. ⟨hal-01093466⟩

Relations

309 Consultations
861 Téléchargements

Partager

More