Central limit theorem for sequential Monte Carlo methods and its application to Bayesian inference
序贯蒙特卡洛方法的中心极限定理及其贝叶斯推断应用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：摘要研究一般序贯蒙特卡洛计算理论和贝叶斯应用，未指定时间序列模型或其他所列领域的明确研究对象。
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
序贯蒙特卡洛方法的中心极限定理及其贝叶斯推断应用
- 研究问题
- 序贯蒙特卡洛或粒子滤波产生的近似估计具有什么渐近分布，其误差精度与算法长期可靠性如何随迭代时间变化？
- 方法与思路
- 作者在一般序贯分布框架中建立蒙特卡洛估计的中心极限定理，使用渐近方差衡量精度，并研究其随时间发散的情况。
- 材料陈述的贡献
- 摘要称理论在较少假设下涵盖多种既有方法，包括重采样移动算法和残差重采样，并分析典型贝叶斯应用中的长期方差。
- 阅读关注点
- 应核对中心极限定理的渐近变量、分布与重采样条件、渐近方差表达式，以及时间增长时可靠性分析的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；所谓较少假设的细节及方差发散结论未说明，不能据此认为所有粒子滤波长期稳定。
原文摘要
The term “sequential Monte Carlo methods” or, equivalently, “particle filters,” refers to a general class of iterative algorithms that performs Monte Carlo approximations of a given sequence of distributions of interest (πt). We establish in this paper a central limit theorem for the Monte Carlo estimates produced by these computational methods. This result holds under minimal assumptions on the distributions πt, and applies in a general framework which encompasses most of the sequential Monte Carlo methods that have been considered in the literature, including the resample-move algorithm of Gilks and Berzuini [J. R. Stat. Soc. Ser. B Stat. Methodol. 63 (2001) 127–146] and the residual resampling scheme. The corresponding asymptotic variances provide a convenient measurement of the precision of a given particle filter. We study, in particular, in some typical examples of Bayesian applications, whether and at which rate these asymptotic variances diverge in time, in order to assess the long term reliability of the considered algorithm.