Estimating Ocean Circulation: An MCMC Approach With Approximated Likelihoods via the Bernoulli Factory
海洋环流估计：借助伯努利工厂与似然估计的MCMC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。
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：内容是海洋物理模型的贝叶斯计算，摘要没有支持所列宏观或金融计量细分的直接证据。
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
海洋环流估计：借助伯努利工厂与似然估计的MCMC方法
- 研究问题
- 当海洋环流模型包含无法闭式求解的反应扩散偏微分方程时，如何在难以直接计算似然的情况下进行贝叶斯推断？
- 方法与思路
- 作者通过Feynman–Kac表示生成似然无偏估计所需随机变量，用伯努利工厂决定MCMC提议是否接受，并在GPU上实现。
- 材料陈述的贡献
- 摘要称，该方法无需直接计算似然，可解除物理模型必须使用规则网格的常见限制，并避免数据预处理。
- 阅读关注点
- 应核对似然估计的无偏性、伯努利工厂的适用条件，以及非规则网格、计算开销和GPU实现如何影响推断。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出算法条件、误差或速度比较，不能据此判断计算效率的普遍优势。
原文摘要
We provide a Bayesian analysis of ocean circulation based on data collected in the South Atlantic Ocean. The analysis incorporates a reaction-diffusion partial differential equation that is not solvable in closed form. This leads to an intractable likelihood function. We describe a novel Markov chain Monte Carlo approach that does not require a likelihood evaluation. Rather, we use unbiased estimates of the likelihood and a Bernoulli factory to decide whether or not proposed states are accepted. The variates required to estimate the likelihood function are obtained via a Feynman–Kac representation. This lifts the common restriction of selecting a regular grid for the physical model and eliminates the need for data preprocessing. We implement our approach using the parallel graphic processing unit (GPU) computing environment.