Following a Moving Target—Monte Carlo Inference for Dynamic Bayesian Models
追踪移动目标：动态贝叶斯模型的蒙特卡洛推断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：摘要主要描述通用动态贝叶斯模拟算法，未明确限定时间序列观测或所列预测应用。
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
追踪移动目标：动态贝叶斯模型的蒙特卡洛推断
- 研究问题
- 当动态建模或预测模型选择需要处理大量连续变化的后验分布时，如何降低逐次 MCMC 的计算负担并避免粒子滤波退化？
- 方法与思路
- 作者基于重要性抽样、重要性重采样与 MCMC 提出追踪变化目标分布的新模拟技术；摘要未交代具体组合和更新机制。
- 材料陈述的贡献
- 摘要称新技术不会出现目标分布序列演化过程中逐步加重的退化；未给出该性质的适用条件、证明或计算速度比较。
- 阅读关注点
- 阅读全文时应核对退化的定义、目标序列允许的变化方式，以及重采样和 MCMC 更新如何配合并控制长期计算误差。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断退化保证、复杂度或模型限制；不能声称任何动态模型均不退化，也不推断其他版本变化。
原文摘要
Summary Markov chain Monte Carlo (MCMC) sampling is a numerically intensive simulation technique which has greatly improved the practicality of Bayesian inference and prediction. However, MCMC sampling is too slow to be of practical use in problems involving a large number of posterior (target) distributions, as in dynamic modelling and predictive model selection. Alternative simulation techniques for tracking moving target distributions, known as particle filters, which combine importance sampling, importance resampling and MCMC sampling, tend to suffer from a progressive degeneration as the target sequence evolves. We propose a new technique, based on these same simulation methodologies, which does not suffer from this progressive degeneration.