Bayesian Learning in a Nonlinear Multiscale State-Space Model

要約

複雑なシステムにおけるマルチスケール相互作用の遍在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でのプロセスがどのように相互に影響を与えるかの主要な例として機能します。
この研究では、新しいマルチスケール状態空間モデルを導入し、異なる時間スケール間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とともに調査します。
このマルチスケール モデル内の未知のプロセス 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ためのベイジアン学習フレームワークを提案します。
私たちは推論用の Particle Gibbs with Ancestor Sampling (PGAS) アルゴリズムを開発し、シミュレーションを通じてアプローチの有効性を実証します。

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, Google