Generative Bayesian Filtering and Parameter Learning
生成式贝叶斯滤波与参数学习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：摘要研究动态状态空间模型的递归滤波，并明确包含随机波动率模型应用，对应时间序列和波动率方法。
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…
生成式贝叶斯滤波与参数学习
- 研究问题
- 在非线性、非高斯且密度难以显式计算的状态空间模型中，如何递归推断隐状态，并同时开展贝叶斯参数学习？
- 方法与思路
- 作者以深度神经网络和模拟方法扩展生成式贝叶斯计算，提出递归滤波及从隐式全条件分布抽样的生成式 Gibbs 方法。
- 材料陈述的贡献
- 摘要称方法无需显式密度计算，可用于复杂层级模型；模拟与实证包括 α 稳定随机波动率模型，并报告优于既有无似然方法。
- 阅读关注点
- 应核对网络训练与模拟分布、近似后验误差的递归传播、隐式条件抽样的实现，以及参数学习和滤波性能如何评估。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明近似误差与收敛保证，性能优势限于所报告研究。
原文摘要
Generative Bayesian Filtering (GBF) provides a powerful and flexible framework for performing posterior inference in complex nonlinear and non-Gaussian state-space models. Our approach extends Generative Bayesian Computation (GBC) to dynamic settings, enabling recursive posterior inference using simulation-based methods powered by deep neural networks. GBF does not require explicit density evaluations, making it particularly effective when observation or transition distributions are analytically intractable. To address parameter learning, we introduce the Generative-Gibbs sampler, which bypasses explicit density evaluation by iteratively sampling each variable from its implicit full conditional distribution. Such technique is broadly applicable and enables inference in hierarchical Bayesian models with intractable densities, including state-space models. We assess the performance of the proposed methodologies through both simulated and empirical studies, including the estimation of $α$-stable stochastic volatility models. Our findings indicate that GBF significantly outperforms existing likelihood-free approaches in accuracy and robustness when dealing with intractable state-space models.