On WAIC for Dependent Data: A Covariance-Corrected Framework with Linear-Time Complexity
依赖数据下的 WAIC：线性时间复杂度的协方差修正框架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：摘要直接讨论时间依赖、隐马尔可夫模型，并包含标普 500 波动率建模应用，支持时间序列和金融波动率分类。
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…
关注这篇论文的作者
依赖数据下的 WAIC：线性时间复杂度的协方差修正框架
- 研究问题
- 顺序或空间相关数据中，如何修正 WAIC 对模型复杂度和预测表现的评估，并避免计算完整协方差矩阵的高成本？
- 方法与思路
- 作者提出 CC-WAIC，纳入对数似然贡献的后验协方差，以带状近似实现线性时间计算，并加入 MCMC 有效样本量修正。
- 材料陈述的贡献
- 摘要称独立时该准则退化为 WAIC，带状近似具有误差保证，并在隐马尔可夫模拟和真实应用中报告优于多个比较方法。
- 阅读关注点
- 应核对预测评估的目标、条件似然分解、带宽选择及误差保证，并检查与交叉验证基准是否评估相同预测任务。
- 阅读边界
- 来源为 arXiv 预印本，同行评审与期刊接收未核实；摘要明确依赖指数混合与精确条件似然，长记忆及近似推断仍有边界。
原文摘要
The Widely Applicable Information Criterion (WAIC) is a cornerstone of Bayesian model selection, but its conditional independence assumption renders it inappropriate for sequential and spatially correlated data - a limitation that leads to systematically underestimated model complexity and over-optimistic predictive assessments. We introduce CC-WAIC, a principled generalization of WAIC that explicitly incorporates the full posterior covariance structure of log-likelihood contributions. CC-WAIC reduces exactly to WAIC when independence holds, making it a natural extension rather than an ad-hoc modification. To overcome the prohibitive computational cost of the full covariance matrix, we develop a linear-time implementation using a banded covariance approximation that reduces complexity, with theoretical guarantees on the approximation error. We further introduce an effective sample size correction to mitigate finite-sample bias in MCMC estimation. Through extensive simulations on Hidden Markov Models and real-world applications to Old Faithful geyser data and S&P 500 volatility modelling, we demonstrate that CC-WAIC substantially outperforms WAIC, LOO-CV, iWAIC, and WAICNF, particularly under strong temporal dependence and limited sample sizes. The proposed criterion offers a computationally scalable and theoretically grounded tool for Bayesian model selection in the dependent data settings that are ubiquitous across modern science. Limitations include reliance on exponential mixing and exact conditional likelihoods; extensions to long-memory processes and approximate inference are discussed.