Exact Filtering for Partially Observed Continuous Time Models
部分观测连续时间模型的精确滤波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：应用均为遗传、疫情和系统发育模型，连续时间过程本身不足以归入宏观时间序列或金融高频计量。
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…
关注这篇论文的作者
部分观测连续时间模型的精确滤波
- 研究问题
- 如何将前向—后向算法用于部分观测的连续时间模型，以计算似然、事件发生时间分布并从相关后验或条件分布模拟？
- 方法与思路
- 作者利用不同率参数伽马变量之间的关系，计算伽马变量和的分布及给定总和的联合条件分布，再用于马尔可夫过程事件时间。
- 材料陈述的贡献
- 摘要称，这一构造拓展了前向—后向算法的应用范围，并通过非中性群体遗传、随机疫情和系统发育物种形成时间问题展示方法。
- 阅读关注点
- 应核对伽马变量关系的成立条件、连续时间模型如何转化为算法步骤，以及三个例子中的观测结构和“精确”计算的含义。
- 阅读边界
- 解读仅依据所给 Crossref 摘要。摘要未列出全部适用条件、计算成本或误差讨论，不能推广为任意连续时间模型的精确滤波。
原文摘要
Summary The forward–backward algorithm is an exact filtering algorithm which can efficiently calculate likelihoods, and which can be used to simulate from posterior distributions. Using a simple result which relates gamma random variables with different rates, we show how the forward–backward algorithm can be used to calculate the distribution of a sum of gamma random variables, and to simulate from their joint distribution given their sum. One application is to calculating the density of the time of a specific event in a Markov process, as this time is the sum of exponentially distributed interevent times. This enables us to apply the forward–backward algorithm to a range of new problems. We demonstrate our method on three problems: calculating likelihoods and simulating allele frequencies under a non-neutral population genetic model, analysing a stochastic epidemic model and simulating speciation times in phylogenetics.