空間イベント解析の二重確率点過程において計算効率と予測精度を両立する半パラメトリック手法
罰則付きポアソン尤度近似により、定常性や特定の関数形を仮定せずに共変量効果を高速推定。シアトルの犯罪データで精度向上を確認。（原題: Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach）
リリース: 2023-06-11 · 読了 5 分二重確率点過程（Doubly-stochastic point processes）において、強度の定常性や特定のパラメトリックな形状を仮定しない半パラメトリックな推定手法を提案。
連続的かつ確率的な強度関数を、離散的・決定論的な罰則付きポアソン尤度で近似することで、計算負荷を大幅に削減することに成功。
モデルの誤設定（misspecification）がある状況下でも、共変量効果の推定値が一致性と漸近正規性を持つことを理論的に証明。
シアトル市の犯罪データを用いた実証実験において、既存の代替手法と比較して高い予測精度を達成した。
空間統計を用いた需要予測や犯罪予測において、従来の Cox 過程（二重確率点過程）は計算コストが極めて高く、実務適用が困難だった。本手法は、理論的保証を維持しつつ計算効率を改善しているため、大規模データへの適用を現実的なものにする。
「強度の定常性（空間的な性質が場所によらず一定であること）」という制約の強い仮定を置かずに推定できるため、現実の複雑な都市構造をより正確にモデル化できる。
空間データ（配送需要、事故発生、店舗利用など）の分析を担当するデータサイエンティストは、強度の定常性を仮定する既存の単純なポアソン回帰から、本手法のような柔軟な Cox 過程アプローチへ移行することで、モデルの予測精度と頑健性を向上させることができる。
国内固有の追加文脈は限定的（汎用的に有用）。