本文介绍了一种将潜在状态空间模型与 CRF 观察模型结合的自回归观察模型，在无条件句子生成中，与基线模型相比具有更好的性能，避免了自回归模型的一些典型失败模式。

Aug, 2019

本文提出了一种新的转移学习框架，借助相似的源数据改善空间自相关模型的估计和预测精度，包括一个转移阶段和一个去偏阶段的两阶段算法用于估计未知参数，并建立了相应估计器的理论收敛速度；如果不知道哪些源数据需要转移，提出了一种基于空间残差自助法的可转移源数据检测算法以保留必要的空间依赖性，并得出了其检测一致性。通过仿真实验表明，使用具有信息的源数据，该转移学习算法显著提高了经典的两阶段最小二乘估计器的性能。在实证应用中，我们将该方法应用于 2020 年美国总统选举中摇摆州的选举预测，利用 2016 年美国总统选举的民意调查数据以及其他人口和地理数据。实证结果表明我们的方法优于传统估计方法。

May, 2024

使用多变量奇异谱分析（mSSA）和普通最小二乘法（OLS）算法，我们提出了一种名为 SAMoSSA 的新算法，可对时间序列数据进行分析，具有预测分析和模型识别功能。我们的算法可应对自回归噪音结构，提高数据处理的准确性达 5％至 37％。

May, 2023

该论文提出了一种基于超参数化损失函数的自回归模型框架，用于处理神经科学等领域中存在的时间序列数据误差和模型不确定性问题，并验证该方法能够成功去噪、重构系统参数，为脑机接口数据分析以及癫痫等脑部疾病的研究提供了新的方法。

Apr, 2023

本文提出的一种新方法使用统一的 EM 框架共同优化 AR 和 NAR 模型，以有效地引导系统消除输出序列中的多模态，评估结果表明，该方法在机器翻译任务上实现了具有竞争力的性能，同时显著减少了推理延迟。

Jun, 2020

使用离散状态空间隐马尔可夫模型、最新的神经网络架构和受向量量化变分自动编码器启发的训练过程，结合大数据集中成千上万个异构时间序列的预测任务是众多领域的一个关键统计问题。我们提出了一种新的预测模型，引入了离散后验分布和两阶段训练过程，从而提供了对潜在状态和发射分布参数的交替训练。通过学习多个发射规律和根据隐藏过程动力学临时激活它们，所提出的方法能够探索大数据集和利用可用的外部信号。我们使用多个数据集评估了该方法的性能，并展示它优于其他最先进的解决方案。

Apr, 2024

本文引入一种基于深度状态空间模型的概率时间序列预测方法，其中非线性发射模型和转移模型由网络参数化，并采用循环神经网络对其进行建模。通过自动相关性确定网络，我们还开发了一个利用外生变量的网络，以及估算外生变量不确定性，最终有助于确定有用的外生变量和压制预测中不相关的变量。使用蒙特卡罗模拟来逼近多步预测的分布，实验表明我们的模型可以准确地预测并且估算的时间随着预测步数的增加而逐渐增长。

Jan, 2021

本文对不同的无自回归（NAR）建模方法进行了比较性研究，实验证明了 NAR 模型相较自回归基线的精度降低代价下，可以同时在序列中生成多个输出，具有在实时应用中优足的潜力，在自动语音识别领域的性能差距上得到了一些有趣的发现，并展示了结合这些技术来进一步提高精度并应用于无自回归端到端语音翻译的能力。

Oct, 2021

使用 Masked Autoregressive Flow 构建自回归模型栈，提高神经密度估计的灵活性，达到最先进的性能表现。

May, 2017

本论文提出了一种预测采样算法，利用 ARMs 的快速推断能力加速采样，证明其在二元 MNIST 等设置下可显著提高推断调用次数和采样速度。

Feb, 2020