Scalable Bayesian Inference for Time Series via Divide and Conquer
通过分而治之实现可扩展的时间序列贝叶斯推断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。
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：摘要直接针对依赖时间序列的贝叶斯推断与数据分块方法，符合时间序列方向。
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…
通过分而治之实现可扩展的时间序列贝叶斯推断
- 研究问题
- 面对大规模且存在依赖的时间序列，如何通过数据分块、并行推断和后验汇总降低计算负担，同时保证推断准确性？
- 方法与思路
- 作者提出用于依赖时间序列的分而治之方法，在分块推断与后验聚合的框架下提供准确性理论，并通过模拟和真实数据检验。
- 材料陈述的贡献
- 摘要称该方法简单且可扩展，并为依赖时间序列提供严格的准确性保证，以补足已有近似方法理论依据有限的问题。
- 阅读关注点
- 应核对分块边界如何处理时间依赖、子集后验如何调整与汇总，以及准确性保证对应的距离、依赖条件和增长设定。
- 阅读边界
- 仅据所给OpenAlex摘要版本，不能推断后续刊本变化。摘要未说明适用的时间序列模型、聚合公式、误差速率和实际计算增益。
原文摘要
Bayesian computation often scales poorly with increasing data size, motivating developments such as divide-and-conquer approaches for scalable inference. These methods partition the data into subsets, perform parallel inference on each subset, and aggregate the results into a single posterior. Appealing theoretical properties and practical performance have been demonstrated for independent data; however, methods for dependent data remain challenging. Existing methods rely on ad hoc approximations with limited theoretical guarantees that lead to potentially poor accuracy in practice. Here, we focus on time-series data and propose a simple, scalable divide-and-conquer method for dependent time series, with theoretically rigorous accuracy guarantees. Simulation studies and real-data examples are used to empirically verify the effectiveness of our approach.