Dynamic Conditional Independence Models and Markov Chain Monte Carlo Methods
动态条件独立模型与Markov链Monte Carlo方法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：摘要聚焦动态贝叶斯计算与临床监测，未明确对应宏观时间序列或预测等目录方向。
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…
动态条件独立模型与Markov链Monte Carlo方法
- 研究问题
- 当观测和新个体参数持续进入、后验分布随之扩展时，如何复用已有模拟样本实现实时更新，并移除不再关注的参数？
- 方法与思路
- 作者结合MCMC与重要性重抽样，复用前一阶段后验样本，并利用参数组之间的条件独立结构丢弃不再关注的参数样本。
- 材料陈述的贡献
- 摘要提出面向动态模型的序贯后验更新算法，避免每次扩展都从头启动MCMC，并以心脏移植受者感染监测展示应用。
- 阅读关注点
- 应核对模型扩展时重要性权重的构造、条件独立要求、样本退化与MCMC更新安排，以及删除参数后对目标后验的影响。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出算法精度、收敛条件或实时计算耗时，序贯临床监测不等于宏观时间序列应用。
原文摘要
In dynamic statistical modeling situations, observations arise sequentially, causing the model to expand by progressive incorporation of new data items and new unknown parameters. For example, in clinical monitoring, patients and data arrive sequentially, and new patient-specific parameters are introduced with each new patient. Markov chain Monte Carlo (MCMC) might be used for continuous updating of the evolving posterior distribution, but would need to be restarted from scratch at each expansion stage. Thus MCMC methods are often too slow for real-time inference in dynamic contexts. By combining MCMC with importance resampling, we show how real-time sequential updating of posterior distributions can be effected. The proposed dynamic sampling algorithms use posterior samples from previous updating stages and exploit conditional independence between groups of parameters to allow samples of parameters no longer of interest to be discarded, such as when a patient dies or is discharged. We apply the methods to monitoring of heart transplant recipients during infection with cytomegalovirus.