MCMC for State Space models
状态空间模型的 MCMC 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。
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：摘要明确研究带潜在马尔可夫过程的时间序列状态空间模型。
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
状态空间模型的 MCMC 方法
- 研究问题
- 如何利用状态空间模型的马尔可夫潜在过程和条件独立观测结构，构造高效的 MCMC 采样器并改善参数与状态的联合推断？
- 方法与思路
- 本章介绍多种 Gibbs 采样方案、利用前向后向算法抽取潜在状态的方法，以及在该算法不适用时使用粒子滤波的粒子 MCMC。
- 材料陈述的贡献
- 摘要所述贡献是梳理状态空间模型的采样方法，以直观和非正式理论讨论解释模型性质、重参数化与算法混合效率之间的关系。
- 阅读关注点
- 应核对各采样方案适用的状态与观测模型、粒子近似嵌入 MCMC 的方式，以及重参数化改善混合的条件和计算代价。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要将其描述为方法章节，未说明新定理、统一效率保证或具体比较结果。
原文摘要
A state-space model is a time-series model that has an unobserved latent process from which we take noisy measurements over time. The observations are conditionally independent given the latent process and the latent process itself is Markovian. These properties lead to simplifications for the conditional distribution of the latent process given the parameters and the observations. This chapter looks at how we can leverage the properties of state-space models to construct efficient MCMC samplers. We consider a range of Gibbs-sampler schemes, including those which use the forward-backward algorithm to simulate from the full conditional of the latent process given the parameters. For models where the forward-backward algorithm is not applicable we look at particle MCMC algorithms that, given the parameters, use particle filters to approximately simulate from the latent process or estimate the likelihood of the observations. Throughout, we provide intuition and informally discuss theory about the properties of the model that impact the efficiency of the different algorithms and how approaches such as reparameterization can improve mixing.