Bayesian Regularization of the Length of Memory in Reversible Sequences
可逆序列记忆长度的贝叶斯正则化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究离散序列、可变阶马尔可夫链及历史依赖的记忆长度，直接涉及序列动态建模。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
可逆序列记忆长度的贝叶斯正则化
- 研究问题
- 在生成机制具有可逆性的离散序列中，如何将这种结构信息纳入可变阶马尔可夫模型，同时处理记忆长度的不确定性？
- 方法与思路
- 作者提出针对可逆动力学的贝叶斯分析，将随历史变化的记忆长度不确定性纳入模型，并用于分子动力学模拟。
- 材料陈述的贡献
- 摘要称，所提模型结合可逆性信息与记忆长度不确定性，并在分子动力学应用中同若干常用算法进行比较。
- 阅读关注点
- 应核对可逆性的数学定义、记忆结构先验与后验计算方式，以及应用比较评价的是预测、结构恢复还是其他目标。
- 阅读边界
- 仅据所给Crossref摘要；先验、计算算法和比较结果未说明，不能据此声称预测更优或适用于一般非可逆序列。
原文摘要
Summary Variable order Markov chains have been used to model discrete sequential data in a variety of fields. A host of methods exist to estimate the history-dependent lengths of memory which characterize these models and to predict new sequences. In several applications, the data-generating mechanism is known to be reversible, but combining this information with the procedures mentioned is far from trivial. We introduce a Bayesian analysis for reversible dynamics, which takes into account uncertainty in the lengths of memory. The model proposed is applied to the analysis of molecular dynamics simulations and compared with several popular algorithms.