arXiv stat.ML· Shion Hosoda, Michiaki Hamada·· 4 小时前AI 评分12
利用均匀化与时间条件因子化神经似然估计的广泛适用近似 MCMC 方法用于切换随机微分方程
Broadly Applicable Approximate MCMC for Switching Stochastic Differential Equations Using Uniformization and Time-Conditioned Factorized Neural Likelihood Estimation
AI 导读
研究提出一种针对切换随机微分方程（SSDE）的近似 MCMC 采样器，结合均匀化与因子化神经似然估计（FNLE），通过训练时间条件 FNLE 模型近似任意时间间隔的 SDE 转移密度，无需解析可解的转移密度。在合成数据实验中，该方法成功恢复了三个此前方法适用性有限的 SSDE 模型的 regime 路径与参数，并在真实数据集上检测到一次 regime 转换。
来源：arXiv stat.ML · arxiv.org