Context-tree weighting for real-valued time series: Bayesian inference with hierarchical mixture models
实值时间序列的上下文树加权：层级混合模型的贝叶斯推断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：摘要以实值时间序列、近期历史上下文和非线性 AR 混合模型为核心，直接对应时间序列，未明确提出宏观预测任务。
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…
实值时间序列的上下文树加权：层级混合模型的贝叶斯推断
- 研究问题
- 如何利用近期历史观测形成离散上下文，为实值时间序列构建灵活且可解释的混合模型，并实现高效的贝叶斯推断？
- 方法与思路
- 作者将近期观测离散化为上下文并组织成树，在每个叶节点配置实值序列模型，通过扩展上下文树加权算法开展贝叶斯推断。
- 材料陈述的贡献
- 摘要称，该通用框架支持高效、精确的贝叶斯推断；以底层 AR 模型形成的非线性混合模型在模拟和真实数据比较中表现较好。
- 阅读关注点
- 应核对上下文离散化、树深度与先验设置，以及精确推断的计算范围，并检查底层模型选择和比较实验的时间划分。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未给出算法复杂度、比较指标，或任意底层模型下精确推断的条件。
原文摘要
Real-valued time series are ubiquitous in the sciences and engineering. In this work, a general, hierarchical Bayesian modelling framework is developed for building mixture models for times series. This development is based, in part, on the use of context trees, and it includes a collection of effective algorithmic tools for learning and inference. A discrete context (or 'state') is extracted for each sample, consisting of a discretised version of some of the most recent observations preceding it. The set of all relevant contexts are represented as a discrete context-tree. At the bottom level, a different real-valued time series model is associated with each context-state, i.e., with each leaf of the tree. This defines a very general framework that can be used in conjunction with any existing model class to build flexible and interpretable mixture models. Extending the idea of context-tree weighting leads to algorithms that allow for efficient, exact Bayesian inference in this setting. The utility of the general framework is illustrated in detail when autoregressive (AR) models are used at the bottom level, resulting in a nonlinear AR mixture model. The associated methods are found to outperform several state-of-the-art techniques on simulated and real-world experiments.