Posterior Representations for Bayesian Context Trees: Sampling, Estimation and Convergence
贝叶斯上下文树的后验表示：抽样、估计与收敛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：摘要以离散时间序列的上下文树建模、后验抽样及熵估计为主线，文本直接支持时间序列分类。
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…
贝叶斯上下文树的后验表示：抽样、估计与收敛
- 研究问题
- 如何更便捷地表示和抽样离散时间序列上下文树模型的后验，并分析后验收敛及其诱导的熵估计表现？
- 方法与思路
- 作者用简单分枝过程表示模型空间后验，据此构造模型与参数联合后验的变维蒙特卡洛抽样器，并分析其渐近性质。
- 材料陈述的贡献
- 摘要称抽样器能高效生成独立样本，推导了后验一致性及几乎处处收敛率，熵估计在所考察应用中优于若干方法。
- 阅读关注点
- 应核对分枝表示与原后验的对应关系、独立抽样的实现、收敛率所需条件，以及效率和熵估计比较的实验设置。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明先验、树深限制、收敛率公式或比较数值。
原文摘要
We revisit the Bayesian Context Trees (BCT) modelling framework for discrete time series, which was recently found to be very effective in numerous tasks including model selection, estimation and prediction. A novel representation of the induced posterior distribution on model space is derived in terms of a simple branching process, and several consequences of this are explored in theory and in practice. First, it is shown that the branching process representation leads to a simple variable-dimensional Monte Carlo sampler for the joint posterior distribution on models and parameters, which can efficiently produce independent samples. This sampler is found to be more efficient than earlier MCMC samplers for the same tasks. Then, the branching process representation is used to establish the asymptotic consistency of the BCT posterior, including the derivation of an almost-sure convergence rate. Finally, an extensive study is carried out on the performance of the induced Bayesian entropy estimator. Its utility is illustrated through both simulation experiments and real-world applications, where it is found to outperform several state-of-the-art methods.