Parameter Updating in a Bayes Network
贝叶斯网络中的参数更新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：摘要明确围绕离散时间动态线性模型的递推更新、预测误差与延迟数据处理展开，直接对应时间序列方法。
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…
关注这篇论文的作者
贝叶斯网络中的参数更新
- 研究问题
- 如何把贝叶斯网络用作离散时间动态线性模型的参数更新工具，并统一处理计算、非顺序采集信息及延迟到达的数据？
- 方法与思路
- 作者用有向无环贝叶斯网络表达动态线性模型及其更新，提出在线诊断、后验近似和多元高斯因果树的信息传播算法。
- 材料陈述的贡献
- 摘要称，该网络表达可统一动态线性模型与计算，便于纳入延迟数据，并提供补充传统预测误差的在线诊断及后验近似。
- 阅读关注点
- 应核对网络表达与动态线性模型的对应关系、延迟数据传播步骤、在线诊断的含义，以及后验近似误差和算法限制。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明近似精度或诊断性能，“因果树”名称本身不能证明其支持经济因果识别。
原文摘要
A Bayes network is a directed acyclic graph in which the links are quantified by fixed conditional probabilities and the nodes represent random variables. The primary use of the network is to provide an efficient method for updating conditional probabilities in the graph. We consider the consequences of using the network as the computational device for updating parameter estimates in the dynamic linear model, a discrete time Bayesian model. We show that using the network characterizes the dynamic linear model and its computations in a unified way. The generality of the network permits nonsequential data collection and thereby provides a straightforward method of incorporating delayed data. An on-line diagnostic is offered to complement the conventional forecast error and an approximation to the posterior distribution is proposed. Algorithms for data propagation in multivariate Gaussian causal trees are presented.