带测量噪声的 Ornstein-Uhlenbeck 过程参数估计
本文介绍了使用离散随机递归关系模拟随机优化算法,说明由于局部收敛速度方差的增加,会导致多项式噪声,从而得到具有重尾结构的参数固定点,其优化具有更高的容量,以更好地探索非凸损失面。
Jun, 2020
本研究提出了一种结构保持的贝叶斯方法,用于学习使用随机动态模型的非可分离哈密顿系统,并允许统计依赖性、向量值加性和乘性测量噪声。
Jan, 2024
本文提出一种基于混合模型的 Additive Noise Model (ANM),并且通过 Gaussian Process Partially Observable Model (GPPOM) 加入独立性约束,可用于根据混合模型的生成机制进行因果推断和聚类。
Sep, 2018
该研究提出了一种新型的鲁棒梯度下降算法,采用直接对观测值施加平滑的乘性噪声,构建软截断梯度坐标之和的方式,使其具有与传统方法相当的理论保证和更高的数据分布类别广泛性能。
Oct, 2018
本文提出一种优化的 Markov Chain Monte Carlo (MCMC) 技术用于解决整数最小二乘(ILS)问题,其中包括多输入多输出(MIMO)系统中的最大似然(ML)检测。该 MCMC 检测器的速度依赖于两个因素:稳态分布中最优解的概率和 MCMC 检测器的混合时间。我们计算了温度参数的最优值,并研究了提出的 MCMC 检测器的基础马尔科夫链的混合时间。我们的结果表明,为了在固定维度 N 下确保快速混合,MCMC 的温度应该通常设置为 Ω(√SNR)。
Oct, 2013
本研究提出了一种新方法,用于分析已知模型下统计推断的基本限制,并得出了对互信息、最小均方误差、相变点及近似消息传递算法状态演化的稳定点等的显式公式,其中关键的假设是矩阵来自正交不变分布,本方法适用于具有多元高斯信道的模型。
Oct, 2017
使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据,使得在多个潜在随机过程上学习多个动力模型成为可能。
Feb, 2024
本文介绍一种新的方法,使用全非定常高斯过程回归,在该方法中,三个关键参数 —— 噪声方差、信号方差和长度尺度 —— 均可以同时受输入影响。我们采用基于梯度的推理方法,学习未知函数和非定常模型参数,无需任何模型近似。我们提出使用哈密尔顿蒙特卡罗方法推断全参数后验,通过模型梯度指导采样,方便地扩展了基于解析梯度的 GPR 学习。我们还通过梯度上升从后验中学习 MAP 解。在几个合成数据集和时间基因表达建模实验中,非定常 GPR 被证明是建模真实的输入依赖动态所必需的,而否则它的性能与传统的定常或以前的非定常 GPR 模型相当。
Aug, 2015