Coupled conditional backward sampling particle filter
耦合条件后向抽样粒子滤波器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：摘要直接讨论隐马尔可夫模型的时间序列平滑及时间长度增长下的算法稳定性，依据是序列方法而非宏观应用。
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…
耦合条件后向抽样粒子滤波器
- 研究问题
- 在隐马尔可夫模型的长序列平滑中，条件后向抽样粒子滤波能否以固定粒子数保持有效，并实现无偏估计？
- 方法与思路
- 作者构造两个条件后向抽样粒子滤波器的耦合，分析强混合条件下的耦合时间，并用于平滑期望的无偏估计。
- 材料陈述的贡献
- 摘要称固定粒子数时耦合迭代时间随序列长度仅线性增长，并可支持渐近精确置信区间和直接并行计算。
- 阅读关注点
- 阅读全文时应核对强混合条件、固定粒子数的要求、耦合时间结论，以及无偏估计的方差和计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；强混合条件和所需粒子数未展开，迭代次数结论不能直接等同于总运算成本。
原文摘要
The conditional particle filter (CPF) is a promising algorithm for general hidden Markov model smoothing. Empirical evidence suggests that the variant of CPF with backward sampling (CBPF) performs well even with long time series. Previous theoretical results have not been able to demonstrate the improvement brought by backward sampling, whereas we provide rates showing that CBPF can remain effective with a fixed number of particles independent of the time horizon. Our result is based on analysis of a new coupling of two CBPFs, the coupled conditional backward sampling particle filter (CCBPF). We show that CCBPF has good stability properties in the sense that with fixed number of particles, the coupling time in terms of iterations increases only linearly with respect to the time horizon under a general (strong mixing) condition. The CCBPF is useful not only as a theoretical tool, but also as a practical method that allows for unbiased estimation of smoothing expectations, following the recent developments by Jacob, Lindsten and Schön (2020). Unbiased estimation has many advantages, such as enabling the construction of asymptotically exact confidence intervals and straightforward parallelisation.