Distributed and recursive Bayesian inference for Big Data and complex spatio-temporal models
面向大数据与复杂时空模型的分布式和递归贝叶斯推断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：摘要主要讨论通用贝叶斯计算与时空模型，未明确研究宏观时间序列、面板或金融问题，现有文本不足以匹配给定细分。
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…
面向大数据与复杂时空模型的分布式和递归贝叶斯推断
- 研究问题
- 面对大规模、流式及不能共享原始数据的场景，如何降低复杂时空模型的贝叶斯计算成本，并保持集中式推断的准确性？
- 方法与思路
- 作者基于集成嵌套拉普拉斯近似及 R-INLA，同时划分数据与结构化模型组件，将分布式、联邦和递归推断相结合。
- 材料陈述的贡献
- 摘要称该框架能够降低计算复杂度，并通过案例展示其在大规模、流式及隐私敏感环境中的适用性和推断准确性。
- 阅读关注点
- 应核对数据与模型的划分规则、跨分区依赖和后验更新方式，以及相对集中式推断的近似误差、计算成本与隐私边界。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出误差界、隐私保证或数值比较，不能确认准确性适用范围。
原文摘要
The rapid growth of massive and complex datasets in fields such as econometrics, environmental sciences, risk management, and public policy has reshaped statistical modeling while introducing significant computational and methodological challenges. These challenges arise not only from data scale and model complexity, but also from the sequential or streaming nature of modern applications and from data-privacy constraints that prevent sharing raw data and thus limit joint analysis. To address these challenges, we introduce a novel and comprehensive Bayesian framework for distributed and recursive inference, grounded in the Integrated Nested Laplace Approximations (INLA) methodology and implemented using the R-INLA software. Our contributions include the partitioning both data and structured model components, reducing computational complexity while preserving accuracy relative to centralized full-data inference. We demonstrate the effectiveness of the proposed framework through case studies that highlight its applicability in large-scale, streaming, and privacy-sensitive settings. By integrating distributed, federated, and recursive paradigms, this work offers scalable, adaptive, and generalizable tools for modern Bayesian inference.