Ensemble transport smoothing. Part I: Unified framework
集合输运平滑：第一部分，统一框架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：摘要研究状态空间模型中的贝叶斯时间序列平滑与递推算法。
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…
集合输运平滑：第一部分，统一框架
- 研究问题
- 面对非高斯状态空间模型，如何构建贝叶斯时间序列平滑框架，兼顾先验到后验变换的表达能力与集合计算的可行性？
- 方法与思路
- 作者从测度输运角度构造集合平滑框架，基于非线性输运映射推导多种平滑递推，并利用状态空间模型结构组织计算。
- 材料陈述的贡献
- 摘要称框架涵盖完全非高斯情形下的平滑递推，并将多种标准 Kalman 类平滑算法纳为特例；具体实现由配套论文进一步讨论。
- 阅读关注点
- 应核对输运映射的构造与近似方式、各递推利用的条件独立结构，以及理论后验变换与有限集合近似之间的误差关系。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核验；摘要未提供实际计算成本或误差保证，配套论文的实现结果也不能由此推断。
原文摘要
Smoothers are algorithms for Bayesian time series re-analysis. Most operational smoothers rely either on affine Kalman-type transformations or on sequential importance sampling. These strategies occupy opposite ends of a spectrum that trades computational efficiency and scalability for statistical generality and consistency: non-Gaussianity renders affine Kalman updates inconsistent with the true Bayesian solution, while the ensemble size required for successful importance sampling can be prohibitive. This paper revisits the smoothing problem from the perspective of measure transport, which offers the prospect of consistent prior-to-posterior transformations for Bayesian inference. We leverage this capacity by proposing a general ensemble framework for transport-based smoothing. Within this framework, we derive a comprehensive set of smoothing recursions based on nonlinear transport maps and detail how they exploit the structure of state-space models in fully non-Gaussian settings. We also describe how many standard Kalman-type smoothing algorithms emerge as special cases of our framework. A companion paper (Ramgraber et al., 2023) explores the implementation of nonlinear ensemble transport smoothers in greater depth.