Self-organizing state-space models with artificial dynamics
带人工动态的自组织状态空间模型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：摘要明确研究随时间演化的状态空间模型、粒子滤波和在线推断，直接涉及时间序列方法。
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…
带人工动态的自组织状态空间模型
- 研究问题
- 如何将静态参数嵌入状态空间模型并赋予人工动态，使粒子滤波能够进行有理论依据的在线参数与状态推断？
- 方法与思路
- 作者为静态参数构造马尔可夫演化，建立自组织状态空间模型，并设计用于在线推断及最大似然估计的过滤算法。
- 材料陈述的贡献
- 摘要称可构造人工动态方差缓慢趋零且理论一致的模型，并据此得到仿真中稳健的粒子滤波和新的迭代过滤算法。
- 阅读关注点
- 应核对一致性指向的估计对象、人工动态衰减条件、粒子数要求，以及最大似然构造与在线推断保证的差别。
- 阅读边界
- 摘要未列出完整正则条件、仿真设计或调参标准；易实现、少调参和稳健性均为作者陈述，不能推广至任意状态空间模型。
原文摘要
Abstract We consider the problem of performing parameter and state inference in a state-space model (SSM) parametrized by a static parameter θ. A popular idea to address this problem consists of incorporating θ in the state of the system and allowing its time evolution, modelled as a Markov chain (θt)t≥1. This proxy model defines a so-called self-organizing SSM (SO-SSM) to which one may apply standard particle filters. However, the practical implementation of this idea in a theoretically justified manner has remained an open problem until now. In this paper we fill this gap and in particular show that theoretically consistent SO-SSMs can be defined such that ‖Var(θt+1|θt)‖→0 slowly as t→∞. This, in turn, leads to particle filter algorithms for online parameter and state inference in SSMs which we find to be robust in simulation. We also develop constructions of (θt)t≥1 and associated theoretical guarantees tailored to the application of SO-SSMs to maximum likelihood estimation in SSMs, leading to novel iterated filtering algorithms. The algorithms developed in this work have the advantage of being simple to implement and to require minimal tuning to perform well.