Bayesian Tensor Factorisations for Time Series of Counts
计数时间序列的贝叶斯张量分解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：摘要明确研究多变量计数时间序列、马尔可夫依赖及滞后交互。
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…
计数时间序列的贝叶斯张量分解
- 研究问题
- 研究如何灵活描述多变量计数时间序列的非线性序列依赖，识别重要滞后及其交互，并缓解大计数带来的计算负担。
- 方法与思路
- 作者以张量分解建立非参数贝叶斯模型，通过潜变量连接有限最大阶数的无限状态马尔可夫链与条件独立泊松层级模型。
- 材料陈述的贡献
- 摘要提出利用 MCMC 推断滞后及其复杂交互，并针对大计数设计依赖训练集初步分析的两步推断策略，提供模拟和真实数据示例。
- 阅读关注点
- 应核对最大滞后阶数如何设定、潜变量与张量结构如何约束依赖，以及两步策略对后验推断和计算成本的具体影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明先验、收敛保证、训练集划分及相对其他方法的数值表现。
原文摘要
We propose a flexible nonparametric Bayesian modelling framework for multivariate time series of count data based on tensor factorisations. Our models can be viewed as infinite state space Markov chains of known maximal order with non-linear serial dependence through the introduction of appropriate latent variables. Alternatively, our models can be viewed as Bayesian hierarchical models with conditionally independent Poisson distributed observations. Inference about the important lags and their complex interactions is achieved via MCMC. When the observed counts are large, we deal with the resulting computational complexity of Bayesian inference via a two-step inferential strategy based on an initial analysis of a training set of the data. Our methodology is illustrated using simulation experiments and analysis of real-world data.