新方法为切换型随机微分方程做贝叶斯推断

Shion Hosoda 与 Michiaki Hamada 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）。据研究团队报告，该方法无需解析可解的转移密度，可用于含噪声观测、多元状态等场景。 在合成数据实验中，该方法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；在真实数据集上检测到一次 regime 转换。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。