Une prépublication mise en ligne sur arXiv le 9 octobre par des chercheurs en statistique de l’Ohio State University et de l’Université du Wisconsin–Madison vise à faire évoluer l’inférence pour des champs spatiaux modélisés par processus gaussiens avec des vraisemblances non gaussiennes. Le cadre proposé combine une structure autorégressive parcimonieuse de plus proches voisins avec des conditionnelles de type normalizing flow et amortit les paramètres variationnels au moyen d’un réseau neuronal partagé. La même structure apprise peut ainsi servir de nombreuses observations au lieu d’ajuster des paramètres distincts pour chacune.

Les auteurs ont également présenté la méthode sur des observations binaires de couverture de glace issues des cartes NOAA de l’océan Arctique. Pour un sous-ensemble de 21 855 observations, le modèle amorti a produit des cartes de distribution a posteriori qualifiées de précises dans l’article avec 1 398 paramètres variationnels ; la comparaison non amortie utilisait environ 200 000 paramètres, mais n’a pas convergé de manière fiable lors des premiers essais. Il s’agit d’une démonstration méthodologique : les résultats ne mesurent ni une évolution prévue de la glace ni la précision d’un suivi opérationnel. Cet exemple à grande échelle ne démontre pas non plus une généralisation à toutes les régions et dates. La prépublication n’a pas encore été évaluée par les pairs.