马尔可夫跳跃过程的基础推断模型

Jun, 2024

马尔可夫跳跃过程的基础推断模型

Foundation Inference Models for Markov Jump Processes

David Berghaus, Kostadin Cvejoski, Patrick Seifner, Cesar Ojeda, Ramses J. Sanchez

TL;DR使用零样本推理的神经网络模型，能够从嘈杂且稀疏的观察中，推断出具有不同维度的马尔可夫跳跃过程，并且达到与针对目标数据集微调的最先进模型相媲美的性能。

Abstract

markov jump processes are continuous-time stochastic processes which describe dynamical systems evolving in discrete state spaces. These processes find wide application in the natural sciences and machine learning, but their inference is known to be far from trivial. In this work we in

markov jump processes zero-shot inference noisy and sparse observations neural network model dimensionalities

发现论文，激发创造

神经马尔可夫跳进程

本文提出了一种基于神经常微分方程的变分推断算法，在 Markov 跳跃过程中通过学习神经连续时间表示来近似后验分布，相比于 Monte Carlo 和期望最大化方法具有更高效的性能。

May, 2023

马尔可夫跳过程及其扩展的快速 MCMC 采样

本文介绍了一种利用 Gibbs sampler 并基于均一化思想从马尔可夫跳过程的后验分布模拟路径的方法，并表明该方法在 MJP 模型上表现良好。

Aug, 2012

JUMP-Means: 马尔可夫跳跃过程的小方差渐近性

通过小方差渐近方法，提出了一种新的目标函数和全新的扩展伽马 - 指数过程，用于建立针对马尔可夫跳跃过程的参数估计非奇异轨迹，并开发了一种新算法 ——JUMP-means，旨在提高建模与推断的速度和重构精度。

Mar, 2015

基于矩的变分推断在马尔可夫跳跃过程上的应用

本文提出了基于矩的变分推断作为一种灵活的框架，用于近似光滑的潜在马尔可夫跳跃过程，并将满足一定条件的所有过渡划分为几个类别，该方法在参数推断中具有应用前景。

May, 2019

马尔科夫跳跃过程和连续时间贝叶斯网络的快速 MCMC 采样

本文提出了基于 Gibbs 采样的快速辅助变量算法，利用 uniformization 方法和隐式马尔可夫模型来推断这些模型中的未观测路径，并通过在一系列连续时间贝叶斯网络上展示了比最先进的 Gibbs 采样算法更显著的计算优势。

Feb, 2012

连续时间切换动态系统的马尔可夫链蒙特卡罗方法

该文提出了一种基于马尔科夫链蒙特卡罗方法的新型推断算法，用于在连续时间模型中获得精确的后验过程的样本，实现了贝叶斯参数估计，并估计了扩散协方差。

May, 2022

具有不确定性动态的 Markov 跳跃线性系统的形式控制器综合

该论文提出了一种使用概率计算树逻辑规范的方法来综合 Markov 跳变线性系统 (MJLS) 的控制器，该方法基于所生成的有限状态抽象，该抽象通过采样技术从 “场景方法” 中计算转换概率的区间，从而生成 MJLS 的概率上合理的近似，并将该近似评估到实际的温度控制，与空中飞行器交付问题等多个基准测试问题中。

Dec, 2022

熵匹配用于马尔可夫跳过程的期望传播

本研究论文解决了潜在连续时间随机过程的统计推断问题，提出了一种新的可行的推断方案，基于熵匹配框架，并应用于化学反应网络的建模和参数估计。

Sep, 2023

基于函数马尔可夫转移算子的深度随机过程

本文介绍了一种新的随机过程类别 Markov 神经过程 (MNPs)，由神经参数化的 Markov 转移算子所构造，证明这些转移算子可以保留 SPs 的交换性和一致性，因此提供了对神经过程 (NPs) 框架的迭代构造的灵活性和表现力，实验表明，在各种任务上，MNPs 模型比基线模型具有明显的优势。

May, 2023

神经跳跃随机微分方程

本文提出了一种名为神经跳跃随机微分方程的数据驱动方法，用于学习连续和离散动态行为，即同时具有流动和跳跃的混合系统，并在几个合成和真实世界的标记点过程数据集上展示了其预测能力。

May, 2019