Feb, 2012

一般状态空间隐马尔可夫顺序蒙特卡罗平滑

PDF
TL;DR本文研究了粒子方法逼近平滑分布问题，并提出线性时间复杂度的联合平滑分布的逼近算法。在该模型下，本文的主要贡献是建立了收敛性质和边界，证明了一些误差估计的一致性。
smoothing distributionshidden markov modelsparticle-based approximationexponential deviation inequalitiescentral limit theorems
发现论文，激发创造
  • 利用粒子 MCMC 对高斯过程状态空间模型进行贝叶斯推断和学习

    通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。

    Jun, 2013

  • 扰动状态空间模型与粒子边缘 Metropolis-Hastings 采样器

    通过对潜在噪声变量而非潜在状态变量进行重新表述的方法，我们研究了没有闭合形式转移的非线性状态空间模型。研究发现，这种转化实现了可计算的噪声密度以代替不可计算的转移密度，可作为辅助粒子滤波器等重要性抽样方法中的重要权重计算。通过两个多元海洋生物地球化学模型的实例探讨粒子边缘 Metropolis-Hastings 采样器的状态和参数估计问题。结果表明，对于快速混合过程模型来说，重新表述噪声变量的模型非常有用。

    Feb, 2012

  • 粒子方法用于状态空间模型参数估计

    本文综述了粒子方法在状态空间模型中进行静态参数估计的应用，探讨了这些方法的优点和局限性，并以简单模型为例说明了它们的性能。

    Dec, 2014

  • 计算感知的卡尔曼滤波和平滑

    高维 Gauss-Markov 模型的推断中，我们提出了一种概率数值方法以解决滤波和平滑中存在的时间和内存复杂性难题，并演示了该方法在大规模气候数据集上的可扩展性。

    May, 2024

  • 广义卡尔曼平滑：建模与算法

    通过最优化视角，我们讨论了动态系统的常规统计模型，并充分利用了非光滑凸惩罚和约束，提供了与信号处理和机器学习中重要模型的联系。我们调查了这些问题的优化技术，特别关注动态问题结构，并用数值例子说明了建模概念和算法。

    Sep, 2016

  • 高效连续时间马尔科夫链估计

    本研究提出了一种基于粒子的蒙特卡罗方法，其中持续时间通过解析方法边际化，最终在具有组合状态空间的连续时间马尔可夫链上实现更准确的参数后验近似。

    Sep, 2013

  • 用神经粒子平滑法从条件序列模型中进行采样

    本文介绍了神经粒子平滑法，一种用于从给定概率模型中采样输入字符串注释的顺序蒙特卡罗方法，通过训练向前看的 LSTM 来改进样本的质量，同时解释了神经模型和神经采样器可被视为处理非常大状态空间上的 HMM 时的低维非线性逼近。

    Apr, 2018

  • 高效的贝叶斯学习高斯过程空间模型

    本文介绍了一种用高斯过程状态空间模型进行高效贝叶斯学习的方法，其中高斯过程投影到利用先验协方差结构导出的一组近似特征函数集合上。通过谨慎设计的粒子 MCMC 算法，可以在这种模型家族下进行学习。相比传统的系统识别工具或现有的学习方法，我们在模型不确定性的可靠量化方面表现更具竞争力。

    Jun, 2015

  • 可扩展贝叶斯状态空间模型的变分推断与 SMC 取样算法

    本文提出了一种可扩展的近似贝叶斯推断方法，在泛型状态空间模型中，相较于粒子 MCMC 提供了动态潜在状态和模型静态参数的完全贝叶斯推断，从而在多元随机波动模型和自激兴奋点过程模型中实现了可扩展的推断。

    May, 2018

  • 一般性状态空间马尔可夫链和 MCMC 算法

    本文介绍了关于马尔可夫链的多种结果，包括马尔可夫链的蒙特卡罗算法，几何和均匀遍历性的充分条件，收敛到稳态的速率的量化界限，以及 Metropolis-Hastings 算法的最优缩放和弱收敛结果。

    Apr, 2004