Fast Estimation of Bayesian State Space Models Using Amortized Simulation-Based Inference
利用摊销式模拟推断快速估计贝叶斯状态空间模型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推断，并明确列举随机波动率模型及季节性突变示例，因此对应时间序列、波动率和结构变化。
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
利用摊销式模拟推断快速估计贝叶斯状态空间模型
- 研究问题
- 如何通过一次预训练加速贝叶斯状态空间模型的隐藏状态估计，并在新数据上快速获得边际后验信息，同时保持实用精度？
- 方法与思路
- 作者先模拟大量人工数据，再训练灵活模型预测目标变量，聚焦边际后验的部分特征并加入归纳偏置，构造摊销式推断算法。
- 材料陈述的贡献
- 摘要称，方法在随机波动率、非线性动态随机一般均衡和季调突变示例中具有实用精度；数小时预训练后，单次推断仅需百分之一至十分之一秒。
- 阅读关注点
- 应核对训练覆盖的模型与参数范围、实际近似哪些后验特征、分布外数据上的误差，以及预训练成本和推断计时条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明硬件和精度标准，也未说明是否准确恢复完整联合后验。
原文摘要
This paper presents a fast algorithm for estimating hidden states of Bayesian state space models. The algorithm is a variation of amortized simulation-based inference algorithms, where a large number of artificial datasets are generated at the first stage, and then a flexible model is trained to predict the variables of interest. In contrast to those proposed earlier, the procedure described in this paper makes it possible to train estimators for hidden states by concentrating only on certain characteristics of the marginal posterior distributions and introducing inductive bias. Illustrations using the examples of the stochastic volatility model, nonlinear dynamic stochastic general equilibrium model, and seasonal adjustment procedure with breaks in seasonality show that the algorithm has sufficient accuracy for practical use. Moreover, after pretraining, which takes several hours, finding the posterior distribution for any dataset takes from hundredths to tenths of a second.