Quelques propriétés des prédicteurs de Krigeage emboîtés.

Résumé Le krigeage est une technique largement utilisée, en particulier pour les expériences informatiques, l'apprentissage automatique ou la géostatistique. Un défi important pour le krigeage est la charge de calcul lorsque l'ensemble de données est grand. Nous nous concentrons sur une classe de méthodes visant à diminuer ce coût de calcul, consistant à agréger des prédicteurs de Krigeage basés sur des sous-ensembles de données plus petits. Nous prouvons que les agrégations basées uniquement sur les variances conditionnelles fournies par les différents prédicteurs de Kriging peuvent donner une prédiction finale de Kriging incohérente. En revanche, nous étudions théoriquement la proposition récente de [Rullière et al., 2017] et obtenons des propriétés attractives supplémentaires pour celle-ci. Nous prouvons que ce prédicteur est cohérent, nous montrons qu'il peut être interprété comme une distribution conditionnelle exacte pour un processus modifié et nous fournissons des bornes d'erreur pour lui.