Particle Filters for Partially Observed Diffusions
部分观测扩散过程的粒子滤波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。
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：摘要研究通用扩散过程滤波，未明确以所列宏观时间序列或金融计量问题为对象。
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…
部分观测扩散过程的粒子滤波
- 研究问题
- 在多元扩散过程仅被部分观测、带观测误差或通过事件到达时间观测时，如何避免时间离散化带来的密度近似？
- 方法与思路
- 作者基于扩散过程的精确模拟和转移密度的无偏估计构造粒子滤波，并引入广义泊松估计量处理相关计算。
- 材料陈述的贡献
- 摘要称，该方案无需通过时间离散化近似转移或观测密度，覆盖多种观测机制，并给出粒子滤波的中心极限定理。
- 阅读关注点
- 应核对适用的扩散过程类、精确模拟的可行条件、随机权重的构造，以及中心极限定理的假设与计算成本。
- 阅读边界
- 仅据 Crossref 摘要，适用扩散类及复杂度未说明；避免时间离散化不意味着有限粒子数下不存在蒙特卡洛误差。
原文摘要
Summary We introduce a novel particle filter scheme for a class of partially observed multivariate diffusions. We consider a variety of observation schemes, including diffusion observed with error, observation of a subset of the components of the multivariate diffusion and arrival times of a Poisson process whose intensity is a known function of the diffusion (Cox process). Unlike currently available methods, our particle filters do not require approximations of the transition and/or the observation density by using time discretizations. Instead, they build on recent methodology for the exact simulation of the diffusion process and the unbiased estimation of the transition density. We introduce the generalized Poisson estimator, which generalizes the Poisson estimator of Beskos and co-workers. A central limit theorem is given for our particle filter scheme.