Bayesian Learning in a Nonlinear Multiscale State-Space Model

要約

複雑系におけるマルチスケール相互作用の普遍性はよく認識されており、発生と遺伝は、異なる時間スケールのプロセスが互いにどのように影響し合っているかを示す典型的な例である。本研究では、異なる時間スケールで相互作用するシステム間の動的な相互作用を、各スケール間のフィードバックを用いて探索する、新しいマルチスケール状態空間モデルを導入する。このマルチスケールモデルの中で未知のプロセスノイズの共分散を学習することにより、未知の状態を推定するベイズ学習の枠組みを提案する。推論のために粒子ギブス先祖サンプリング(PGAS)アルゴリズムを開発し、シミュレーションを通して我々のアプローチの有効性を実証する。

要約(オリジナル)

The ubiquity of multiscale interactions in complex systems is well-recognized, with development and heredity serving as a prime example of how processes at different temporal scales influence one another. This work introduces a novel multiscale state-space model to explore the dynamic interplay between systems interacting across different time scales, with feedback between each scale. We propose a Bayesian learning framework to estimate unknown states by learning the unknown process noise covariances within this multiscale model. We develop a Particle Gibbs with Ancestor Sampling (PGAS) algorithm for inference and demonstrate through simulations the efficacy of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL