Robust Inference of Dynamic Covariance Using Wishart Processes and Sequential Monte Carlo
利用 Wishart 过程与序贯蒙特卡洛稳健推断动态协方差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：摘要直接研究变量间随时间变化的协方差及其样本外预测，属于时间序列方法。
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…
利用 Wishart 过程与序贯蒙特卡洛稳健推断动态协方差
- 研究问题
- 如何改善 Wishart 过程动态协方差模型的困难推断，并在复杂协方差函数下获得可靠的后验估计和样本外预测？
- 方法与思路
- 作者为 Wishart 过程提出序贯蒙特卡洛采样器，在模拟中与 MCMC 和变分推断比较，并应用于单人抑郁症数据。
- 材料陈述的贡献
- 摘要称，模拟中 SMC 的动态协方差估计与预测更稳健，尤其在参数相关的复合协方差函数下，并展示后验动态检验。
- 阅读关注点
- 应核对采样器设计、比较方法的计算预算与调参，以及稳健性的评价指标和利用后验检验协方差动态的具体步骤。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审和期刊接收均未核实；比较优势限于所述实验，单人案例不能支持人群推广。
原文摘要
Several disciplines, such as econometrics, neuroscience, and computational psychology, study the dynamic interactions between variables over time. A Bayesian nonparametric model known as the Wishart process has been shown to be effective in this situation, but its inference remains highly challenging. In this work, we introduce a Sequential Monte Carlo (SMC) sampler for the Wishart process, and show how it compares to conventional inference approaches, namely MCMC and variational inference. Using simulations we show that SMC sampling results in the most robust estimates and out-of-sample predictions of dynamic covariance. SMC especially outperforms the alternative approaches when using composite covariance functions with correlated parameters. We demonstrate the practical applicability of our proposed approach on a dataset of clinical depression (n=1), and show how using an accurate representation of the posterior distribution can be used to test for dynamics on covariance