Smoothing With Couplings of Conditional Particle Filters
利用条件粒子滤波器耦合进行平滑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：摘要讨论通用状态空间平滑与计算去偏，未提供宏观或金融时间序列应用的明确依据。
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…
利用条件粒子滤波器耦合进行平滑
- 研究问题
- 如何在状态空间模型中无偏估计给定带噪观测后的潜在过程平滑期望，并量化计算近似带来的误差？
- 方法与思路
- 作者结合马尔可夫链通用去偏技术与平滑 MCMC 算法，通过条件粒子滤波器耦合构造可独立并行生成的估计量。
- 材料陈述的贡献
- 摘要称估计量在温和假设下有效，可借助中心极限定理构造近似误差置信区间；数值实验中去偏带来的方差增加可控。
- 阅读关注点
- 应核对耦合与停止机制、无偏性和中心极限定理各自所需条件，以及高信息观测或难处理转移密度下的计算成本。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；摘要未说明具体假设、计算预算或方差增幅，近似误差区间的解释需核对，不能推断刊本变化。
原文摘要
In state–space models, smoothing refers to the task of estimating a latent stochastic process given noisy measurements related to the process. We propose an unbiased estimator of smoothing expectations. The lack-of-bias property has methodological benefits: independent estimators can be generated in parallel, and CI can be constructed from the central limit theorem to quantify the approximation error. To design unbiased estimators, we combine a generic debiasing technique for Markov chains, with a Markov chain Monte Carlo algorithm for smoothing. The resulting procedure is widely applicable and we show in numerical experiments that the removal of the bias comes at a manageable increase in variance. We establish the validity of the proposed estimators under mild assumptions. Numerical experiments are provided on toy models, including a setting of highly informative observations, and for a realistic Lotka–Volterra model with an intractable transition density. Supplementary materials for this article are available online.