用引导扩散模型做空间预测：从高斯到非高斯过程模型

研究者提出用机器学习中的引导扩散建模方法求解空间预测中的预测分布，前提是数据模型导出的似然函数已知且可微（或经松弛后可微）。该方法适用于高斯与非高斯过程模型，以及直接部分观测、线性与面状聚合、计数、右删失和区域超限泛函等多种数据模型，并在英国与爱尔兰的甲烷通量反演受控实验中验证，可处理 MCMC 难以求解的模型，且随隐过程维度扩展良好。