非齐次马尔科夫模型的贝叶斯多项伽马数据扩充方法及其在降雨模拟中的应用

Jan, 2017

非齐次马尔科夫模型的贝叶斯多项伽马数据扩充方法及其在降雨模拟中的应用

Bayesian Non-Homogeneous Markov Models via Polya-Gamma Data Augmentation with Applications to Rainfall Modeling

Tracy Holsclaw, Arthur M. Greene, Andrew W. Robertson, Padhraic Smyth

TL;DR本文提出了一种新的非同质隐马尔可夫模型推理算法，该算法允许我们处理在状态转移模型以及发射分布中引入的非齐次性，充分体现了贝叶斯分析在这一领域中的优势。

Abstract

Discrete-time hidden markov models are a broadly useful class of latent-variable models with applications in areas such as speech recognition, bioinformatics, and climate data analysis. It is common in practice to introduce temporal non-homogeneity into such models by making the transi

hidden markov models time-varying exogenous input variables generalized linear model data augmentation bayesian analysis

发现论文，激发创造

使用 Polya-Gamma 潜变量进行逻辑回归模型的贝叶斯推断

本文提出了一种新的数据增强策略，基于多项式 Gamma 分布，用于贝叶斯模型中的后验推断。经过实验证明，该方法在回归模型中表现优异，且具有简单、高效等优点。

May, 2012

贝叶斯非参数隐马尔可夫半马尔可夫模型

本文提出了显式时长的分层狄利克雷过程隐半马可夫模型（HDP-HSMM），并开发了采样算法用于有效的后验推断，这个方法不仅可以为有限的贝叶斯 HSMM 提供新的采样方法，而且可以嵌入到更大的分层贝叶斯模型的采样器中，为贝叶斯推断提供另一种工具。

Mar, 2012

依赖多项式模型简易实现：利用 Pólya-Gamma 扩充的棍子分割方法

使用逻辑棒式分解法和泊松 - 伽马增强技术对多项分布进行重新定义，提出具有联合高斯似然的潜在变量，从而利用广泛的高斯模型贝叶斯推断技术，实现对具有相关性的离散数据的建模。

Jun, 2015

隐马尔可夫模型的随机梯度马尔可夫链蒙特卡罗方法

开发基于随机梯度 MCMC 算法的隐马尔可夫模型参数学习方法，通过利用内在的记忆衰减特性以应对离散状态与小批量数据带来的挑战，进而在合成实验和电离子通道记录数据上展示该算法的有效性和性能优势。

Jun, 2017

负二项随机伽玛马尔科夫过程用于异质超离散计数时间序列

提出了一种负二项式随机化的伽马马尔科夫过程来建模计数数列的转换结构和爆发性动态，从而改善了动力学系统的预测性能和推理算法的快速收敛，同时估计了基于因子结构和图结构的转换动态以获得更可解释的潜在结构，比相关模型更好地填补了缺失数据和预测未来观测。

Feb, 2024

使用数据增强的改进贝叶斯逻辑回归监督主题模型

本文介绍使用正则化常量和 Gibbs 采样算法的辅助泊松 - 伽马变量，增强 PF 主题模型的性能。实证结果表明，该算法可以显著提高预测性能和时间效率

Oct, 2013

非平稳转移动力学的泊松 - 伽马系统

利用贝叶斯方法处理计数值时间序列数据是一种有效的方法，其中 Poisson-Gamma 动态系统在捕捉观测计数序列背后的动态演变方面表现良好，然而当前的 PGDS 模型在捕捉实际情况下常见的时间变化转换动态方面仍存在一些局限性，因此提出了非平稳 PGDS 模型来解决这个问题，通过复杂设计的 Dirichlet Markov 链来对转换矩阵进行建模，实验结果表明，与相关模型相比，提出的非平稳 PGDS 模型能够更好地预测计数序列，并学习到随时间演变的转换矩阵所捕捉的非平稳依赖结构。

Feb, 2024

Poisson-Gamma 动力系统

基于伽马 - 泊松构造，我们介绍了一种新的动态系统以处理多元计数数据，并且基于贝叶斯非参数先验关联和收缩模型参数，避免了过拟合问题。我们提出了一种高效的 MCMC 推断算法，证明该模型具有良好的预测性能和高度可解释的潜在结构。

Jan, 2017

金字塔隐马尔可夫模型用于多元时间序列预测

提出了一种名为 Pyramidal Hidden Markov Model (PHMM) 的模型，通过采用金字塔式堆叠的方式自适应地识别长期多步随机状态，能够有效处理非平稳和嘈杂数据，建立更准确、全面的长期依赖性进行时间序列预测，实验证明该模型在多元时间序列数据上相比竞争对手有更好的性能。

Oct, 2023

复杂地形下用分布式回归森林进行降雨概率预测

提出了一种将回归树与随机森林与经典 GAMLSS 框架中的分布并置合并的分布回归树和随机森林框架，以用于变量选择和建模非平滑依赖关系或高阶交互作用的情况，将其应用于大量气象预测数据生成的降水概率预测，并发现这种方法可以自动选择变量和交互作用，性能与计算成本高的提前预测信息或增强方法 GAMLSS 的性能相当甚至更好。

Apr, 2018