Efficient Bayesian Inference for Dynamic Mixture Models
动态混合模型的高效贝叶斯推断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：摘要明确涉及动态状态空间混合模型及含干预的自回归时间序列。
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…
动态混合模型的高效贝叶斯推断
- 研究问题
- 在线性高斯状态空间模型的混合中，如何高效计算难以解析获得的后验分布，并处理时间序列中的干预成分？
- 方法与思路
- 作者为动态混合模型推导一组递推关系，以实现 MCMC 后验采样，并用含干预的自回归模型拟合污泥锌浓度序列。
- 材料陈述的贡献
- 摘要称，这些递推关系支持高效实施且较快收敛的 MCMC 方案，并通过含干预的实际时间序列模型展示方法。
- 阅读关注点
- 核对混合成分、潜在状态与干预的定义，检查递推步骤如何嵌入采样，以及效率和收敛速度采用何种证据评价。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未给出递推公式、收敛界或比较数值，时间序列干预也不自动具有因果解释。
原文摘要
A Bayesian approach is presented for estimating a mixture of linear Gaussian state-space models. Such models are used to model interventions in time series and nonparametric regression. Markov chain Monte Carlo sampling is usually necessary to obtain the posterior distributions of such mixture models, because it is difficult to obtain them analytically. The methodological contribution of the article is to derive a set of recursions for dynamic mixture models that efficiently implement a Markov chain Monte Carlo sampling scheme that converges rapidly to the posterior distribution. The methodology is illustrated by fitting an autoregressive model subject to interventions to zinc concentration in sludge.