热点事件持续更新
基于均匀化与时间条件因子化神经似然的SSDE近似MCMC方法
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026年10月8日，arXiv Statistics Machine Learning（一手）报道了一种用于切换随机微分方程（SSDEs）的近似MCMC采样器，结合均匀化与因子化神经似然估计（FNLE）。该方法训练时间条件FNLE模型，近似任意时间区间的SDE转移密度，无需解析可解的转移密度。合成数据实验中，方法恢复了三种既有方法适用性有限的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。目前报道仅涉及该方法提出与上述实验结果。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
新报道提出结合均匀化与时间条件FNLE的SSDE近似MCMC方法，并在合成与真实数据上验证。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Statistics Machine Learning基于均匀化与时间条件因子化神经似然估计的通用近似 MCMC 方法用于切换随机微分方程
研究提出一种用于切换随机微分方程（SSDEs）的近似 MCMC 采样器，结合均匀化与因子化神经似然估计（FNLE）。该方法通过训练时间条件 FNLE 模型近似任意时间区间的 SDE 转移密度，无需解析可解的转移密度。在合成数据实验中，方法恢复了三种既有方法适用性有限的 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。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。