Iterated filtering
迭代滤波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：摘要直接研究部分观测马尔可夫过程与非线性动态系统的滤波，最贴近时间序列方法。
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…
迭代滤波
- 研究问题
- 面对部分观测的非线性马尔可夫动态模型，如何通过反复求解滤波问题最大化似然，并建立算法收敛的理论依据？
- 方法与思路
- 作者先研究利用重要性抽样评价潜变量似然的递归最大化方法，再分析由序贯蒙特卡洛滤波实现的迭代滤波算法。
- 材料陈述的贡献
- 摘要称给出迭代滤波的新收敛理论，并引入作为简单特例的迭代重要性抽样算法，补充已有应用中的经验性证据。
- 阅读关注点
- 应核对递归更新方式、序贯蒙特卡洛误差的控制，以及算法收敛目标与全局或局部似然极值之间的关系。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本，也未说明收敛条件、调参规则或计算复杂度，不能据此保证一般动态模型中的表现。
原文摘要
Inference for partially observed Markov process models has been a longstanding methodological challenge with many scientific and engineering applications. Iterated filtering algorithms maximize the likelihood function for partially observed Markov process models by solving a recursive sequence of filtering problems. We present new theoretical results pertaining to the convergence of iterated filtering algorithms implemented via sequential Monte Carlo filters. This theory complements the growing body of empirical evidence that iterated filtering algorithms provide an effective inference strategy for scientific models of nonlinear dynamic systems. The first step in our theory involves studying a new recursive approach for maximizing the likelihood function of a latent variable model, when this likelihood is evaluated via importance sampling. This leads to the consideration of an iterated importance sampling algorithm which serves as a simple special case of iterated filtering, and may have applicability in its own right.