Marginalized particle Gibbs for multiple state-space models coupled through shared parameters
通过共享参数耦合的多个状态空间模型的边缘化粒子 Gibbs 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：摘要直接研究多条时间序列的状态空间模型与贝叶斯推断，因此归入时间序列；参数共享本身不足以判定为宏观面板。
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
通过共享参数耦合的多个状态空间模型的边缘化粒子 Gibbs 方法
- 研究问题
- 当多条时间序列具有相同状态空间模型结构、部分参数跨模型共享时，如何汇总信息改善贝叶斯推断，尤其是短序列推断？
- 方法与思路
- 作者提出两种即时边缘化静态参数的粒子 Gibbs 采样器，分别逐模型条件更新和堆叠联合更新，并讨论二者的组合使用。
- 材料陈述的贡献
- 摘要称，两种采样器适用于不同建模情形，组合后可处理状态与参数的强依赖；以线性高斯案例和蚊媒疾病数据展示性能。
- 阅读关注点
- 应核对参数共享结构、利用共轭性的条件、两类更新的计算成本，以及强依赖情形下组合采样器的收敛与混合表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出适用条件和性能数值，不能判断对一般状态空间模型的优势。
原文摘要
We consider Bayesian inference from multiple time series described by a common state-space model (SSM) structure, but where different subsets of parameters are shared between different submodels. An important example is disease-dynamics, where parameters can be either disease or location specific. Parameter inference in these models can be improved by systematically aggregating information from the different time series, most notably for short series. Particle Gibbs (PG) samplers are an efficient class of algorithms for inference in SSMs, in particular when conjugacy can be exploited to marginalize out model parameters from the state update. We present two different PG samplers that marginalize static model parameters on-the-fly: one that updates one model at a time conditioned on the datasets for the other models, and one that concurrently updates all models by stacking them into a high-dimensional SSM. The distinctive features of each sampler make them suitable for different modelling contexts. We provide insights on when each sampler should be used and show that they can be combined to form an efficient PG sampler for a model with strong dependencies between states and parameters. The performance is illustrated on two linear-Gaussian examples and on a real-world example on the spread of mosquito-borne diseases.