Scalable Bayesian inference for time series via divide-and-conquer
通过分而治之实现可扩展的时间序列贝叶斯推断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确针对超长时间序列及依赖数据开展贝叶斯推断，未限定宏观经济应用。
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…
通过分而治之实现可扩展的时间序列贝叶斯推断
- 研究问题
- 面对具有依赖结构的超长时间序列，如何通过数据分块和推断合并降低贝叶斯计算成本，同时提供可说明的近似精度保证？
- 方法与思路
- 作者提出适用于长时间序列的分而治之方法，沿用对子集进行推断再合并的思路，并以理论精度保证、模拟和实际数据检验方法。
- 材料陈述的贡献
- 摘要称方法简单且可扩展，为依赖数据的贝叶斯推断提供精度保证；数值模拟与真实应用展示有效性，但未列具体误差幅度。
- 阅读关注点
- 应核对分块如何处理时间依赖与块间信息、子集后验如何合并，以及精度保证使用的距离、依赖条件和计算资源比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明模型类别、依赖限制或精度界形式，不能判断其对任意时间序列的适用性。
原文摘要
Bayesian computational algorithms tend to scale poorly as data size increases. This has motivated divide-and-conquer-based approaches for scalable inference. These divide the data into subsets, perform inference for each subset in parallel, and then combine these inferences. While appealing theoretical properties and practical performance have been demonstrated for independent observations, scalable inference for dependent data remains challenging. In this work, we study the problem of Bayesian inference from very long time series. The literature in this area focuses mainly on approximate approaches that usually lack rigorous theoretical guarantees and may provide arbitrarily poor accuracy in practice. We propose a simple and scalable divide-and-conquer method, and provide accuracy guarantees. Numerical simulations and real data applications demonstrate the effectiveness of our approach.