Ohio State Üniversitesi ile Wisconsin–Madison Üniversitesi’ndeki istatistik araştırmacılarının 9 Ekim’de arXiv’de yayımladığı ön baskı, Gauss süreçleriyle kurulan ancak olasılık modeli Gauss olmayan mekânsal alanlarda çıkarımı ölçeklendirmeyi hedefliyor. Önerilen çerçeve, seyrek en yakın komşu otoregresif yapıyı bir normalizing flow ailesiyle birleştiriyor ve varyasyon parametrelerini ortak bir sinir ağı üzerinden amortize ediyor. Bu, her gözlem için ayrı parametre öğrenmek yerine aynı öğrenilmiş yapıdan yararlanma yaklaşımıdır.

Yazarlar yöntemi NOAA’nın Arktik Okyanusu buz örtüsü haritasından alınan ikili gözlemlerde de gösterdi. 21.855 gözlemli alt kümede amortize model, makalede doğru olarak nitelenen arka dağılım haritalarını 1.398 varyasyon parametresiyle üretti; amortize olmayan karşılaştırma yaklaşık 200.000 parametre kullanmasına rağmen ilk denemelerde güvenilir biçimde yakınsamadı. Bu, henüz bir yöntem gösterimidir: çalışma sonuçları tahmin edilen buz değişimi veya operasyonel buz izleme doğruluğu değildir. Büyük veri örneğinin de tek başına her bölge ya da tarihte genellenebilirliği kanıtlamadığı belirtilmelidir; makale hakem değerlendirmesinden geçmemiş ön baskıdır.