Inference on fractal processes using multiresolution approximation
利用多分辨率近似对分形过程进行推断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：摘要研究一维分形高斯过程、分数高斯噪声及过程预测，直接对应时间序列方法；这一分类不意味着论文具有宏观经济应用。
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
利用多分辨率近似对分形过程进行推断
- 研究问题
- 对协方差参数未知且缺乏适用独立性结构的分形高斯过程，如何降低贝叶斯计算中反复求逆协方差矩阵的成本？
- 方法与思路
- 作者以原过程的多分辨率近似构造似然计算算法，并结合马尔可夫链蒙特卡洛，对多类分形过程的参数开展贝叶斯推断。
- 材料陈述的贡献
- 摘要称该算法使大数据集的似然推断可行；模拟展示分数及多分数布朗运动等模型的参数估计效果，实例涉及预测与模型选择。
- 阅读关注点
- 应核对近似层级如何选取、计算成本与近似误差如何变化，以及近似似然对参数推断、预测和模型选择结果的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；近似误差界、适用条件及具体速度和精度未说明，不能据此确认全面性能优势。
原文摘要
We consider Bayesian inference via Markov chain Monte Carlo for a variety of fractal Gaussian processes on the real line. These models have unknown parameters in the covariance matrix, requiring inversion of a new covariance matrix at each Markov chain Monte Carlo iteration. The processes have no suitable independence properties so this becomes computationally prohibitive. We surmount these difficulties by developing a computational algorithm for likelihood evaluation based on a ‘multiresolution approximation’ to the original process. The method is computationally very efficient and widely applicable, making likelihood-based inference feasible for large datasets. A simulation study indicates that this approach leads to accurate estimates for underlying parameters in fractal models, including fractional Brownian motion and fractional Gaussian noise, and functional parameters in the recently introduced multifractional Brownian motion. We apply the method to a variety of real datasets and illustrate its application to prediction and to model selection.