Approximate Bayesian Computation with Path Signatures
使用路径签名的近似贝叶斯计算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：摘要明确针对时间序列模拟器及不规则序列开展参数推断，直接支持时间序列方法分类。
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…
使用路径签名的近似贝叶斯计算
- 研究问题
- 当模拟模型的似然难以计算，而观测具有时间顺序、不规则间隔或非欧几里得结构时，如何开展合适的无似然贝叶斯推断？
- 方法与思路
- 作者将路径签名用于近似贝叶斯计算，以处理序列结构并比较模拟与观测数据，同时研究所生成后验的理论性质。
- 材料陈述的贡献
- 摘要称，方法具有后验理论保证，并在生成单变量、多变量、不规则间隔及非欧几里得序列的模拟器中取得有竞争力的参数推断。
- 阅读关注点
- 应核对路径编码、签名截断及距离构造，查看后验保证的具体条件，并检查近似容差、计算成本和比较方法设置。
- 阅读边界
- 依据的是 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明保证的具体形式或实验数值，不能判断所有序列模型均适用。
原文摘要
Simulation models often lack tractable likelihood functions, making likelihood-free inference methods indispensable. Approximate Bayesian computation generates likelihood-free posterior samples by comparing simulated and observed data through some distance measure, but existing approaches are often poorly suited to time series simulators, for example due to an independent and identically distributed data assumption. In this paper, we propose to use path signatures in approximate Bayesian computation to handle the sequential nature of time series. We provide theoretical guarantees on the resultant posteriors and demonstrate competitive Bayesian parameter inference for simulators generating univariate, multivariate, irregularly spaced, and even non-Euclidean sequences.