Monte Carlo twisting for particle filters
粒子滤波的蒙特卡洛扭曲方法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：摘要明确以随机波动率模型演示方法，通用粒子滤波部分不另行归类。
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…
粒子滤波的蒙特卡洛扭曲方法
- 研究问题
- 如何实现扭曲 Feynman–Kac 模型的高效粒子滤波，处理扭曲转移抽样和势函数计算的困难，并衡量误差与计算成本？
- 方法与思路
- 作者以拒绝抽样处理扭曲转移，以随机权重粒子滤波无偏近似势函数，分析平均接受率及渐近方差，并测试随机波动率模型。
- 材料陈述的贡献
- 摘要称方法扩展了可处理的模型类别；归一化常数估计的均方误差优于等内存比较方法，但未优于等计算成本比较方法。
- 阅读关注点
- 应核对扭曲函数学习、无偏近似及拒绝抽样的实施条件，重点比较等内存和等计算预算下的表现及高效抽样的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要报告的优势依赖资源比较口径，不能直接断言方法整体更高效。
原文摘要
We consider the problem of designing efficient particle filters for twisted Feynman--Kac models. Particle filters using twisted models can deliver low error approximations of statistical quantities and such twisting functions can be learnt iteratively. Practical implementations of these algorithms are complicated by the need to (i) sample from the twisted transition dynamics, and (ii) calculate the twisted potential functions. We expand the class of applicable models using rejection sampling for (i) and unbiased approximations for (ii) using a random weight particle filter. We characterise the average acceptance rates within the particle filter in order to control the computational cost, and analyse the asymptotic variance. Empirical results show the mean squared error of the normalising constant estimate in our method is smaller than a memory-equivalent particle filter but not a computation-equivalent filter. Both comparisons are improved when more efficient sampling is possible which we demonstrate on a stochastic volatility model.