Fast data inversion for high-dimensional Ornstein-Uhlenbeck processes from noisy measurements
含噪测量下高维 Ornstein–Uhlenbeck 过程的快速数据反演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：摘要明确研究高维动态过程、时间序列滤波及序列间协方差估计。
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…
含噪测量下高维 Ornstein–Uhlenbeck 过程的快速数据反演
- 研究问题
- 如何在高维含噪动态系统中高效估计具有不同相关和方差参数的潜在因子，并减少滤波与参数估计的计算负担？
- 方法与思路
- 作者利用正交因子载荷避免卡尔曼滤波各时点的后验协方差求逆，推导期望最大化算法的闭式更新，并用于模拟和大地测量数据。
- 材料陈述的贡献
- 摘要称，该方法无需近似即可显著降低计算复杂度，模拟中提高准确性与可扩展性，慢滑移估计也更符合独立测得的震颤数据。
- 阅读关注点
- 应核对正交载荷设定的限制、固定与估计载荷时的算法差别、复杂度比较口径，以及地学应用中独立震颤数据的验证方式。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收。摘要未提供完整模型条件、复杂度量级和数值结果，尚不能判断一般非正交模型下的表现。
原文摘要
In this work, we develop a scalable approach for a flexible latent factor model for high-dimensional dynamical systems. Each latent factor process has its own correlation and variance parameters, and the orthogonal factor loading matrix can be either fixed or estimated. We utilize an orthogonal factor loading matrix that avoids computing the inversion of the posterior covariance matrix at each time of the Kalman filter, and derive closed-form expressions in an expectation-maximization algorithm for parameter estimation, which substantially reduces the computational complexity without approximation. Our approach has several applications, including noise filtering for high-dimensional time series, estimating nonseparable covariance structure between different time series, and estimating latent physical processes from real-world measurements. Extensive simulated studies illustrate higher accuracy and scalability of our approach compared to alternatives. Furthermore, by applying our method to geodetic measurements to estimate slow slip events from geodetic data in the Cascadia region, our estimated slip better agrees with independently measured seismic data of tremor events. The substantial acceleration from our method enables the use of massive noisy data for geological hazard quantification and other applications.