Robust, partially alive particle Metropolis-Hastings via The Frankenfilter¶
作者: Chris Sherlock, Andrew Golightly, Anthony Lee
来源: Journal of Computational and Graphical Statistics
主题: 统计计算 / 算法
相关性: 4/10
机构绿灯: University of Bristol(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是粒子马尔可夫链蒙特卡洛(pMCMC)中的似然估计稳健性问题。其根本统计问题是:在隐马尔可夫模型(HMM)中,当条件似然函数 \(f(y_t | X_t = x)\) 可能取零值时(例如精确观测、无噪声观测、或ABC核函数),标准粒子滤波器(如bootstrap filter)在某一观测时刻可能因所有粒子的权重均为零而"死亡",导致似然估计失效。该方向的核心目标是设计一种既能保证似然估计无偏、又能在极端观测下保持有限计算成本的粒子滤波算法,使其可嵌入pMCMC框架进行参数推断。当前该方向的成熟度属于中等偏应用——已有若干理论结果(如alive filter的无偏性),但实际应用中的计算爆炸问题尚未被系统性解决。
发展脉络(history)¶
-
奠基工作:alive particle filter 及其无偏性。LeGland and Oudjane (2004, 2005) 首次提出alive filter,其核心思想是:对每个观测区间,持续模拟粒子直到获得预设数量 \(s\) 的"成功"(即条件似然非零的粒子),并证明由此得到的似然估计 \(\hat{P}_{\text{alive}} = \prod_{t=1}^T \frac{s-1}{M_t-1}\) 是无偏的(del Moral et al., 2015 在强条件下给出了严格证明)。这一工作确立了"以随机模拟次数换取无偏性"的基本范式,但留下了关键缺口:当成功概率 \(p_t\) 极小时,\(M_t\) 可能无界增长,导致计算成本不可控。
-
主要进展:pMCMC 的调参理论。Sherlock et al. (2015) 和 Doucet et al. (2015) 建立了pMCMC中似然估计噪声与算法混合效率之间的定量关系,提出以 \(\text{Var}[\log \hat{P}] \approx 1\)–\(2\) 作为选择粒子数的准则。然而,Sherlock (2024) 指出:当 \(\mathbb{P}(\hat{P}=0) > 0\) 时,\(\text{Var}[\log \hat{P}]\) 根本不存在(因为对数在零处发散),因此传统调参准则在alive filter场景下失效。这一发现直接动摇了pMCMC在零似然场景下的理论根基,为本文的"相对方差"(relative variance)准则提供了动机。
-
当前 frontier:有界计算下的无偏估计。Kudlicka et al. (2019) 将拒绝控制(rejection control)引入粒子滤波,在保持无偏性的同时部分缓解了计算爆炸,但其方法仍要求预设成功阈值 \(s\),且未给出系统性的调参建议。本文(Sherlock, Golightly, Lee, 2026)的位置是:在alive filter框架内引入上下界 \(m^-\) 和 \(m^+\),通过"部分存活"策略同时保证无偏性和计算有界性,并给出针对成功阈值 \(s\) 的显式调参公式。
子线索聚类¶
- 无偏似然估计的构造:LeGland and Oudjane (2004, 2005)、del Moral et al. (2015)、Kudlicka et al. (2019)。这条线索关注"如何设计停止规则使得估计无偏",核心工具是停时理论和exchangeability论证。本文的Proposition 1和Theorem 1直接继承此线索。
- pMCMC的调参理论:Pitt et al. (2012)、Sherlock et al. (2015)、Doucet et al. (2015)、Sherlock (2024)。这条线索关注"似然估计的噪声应控制在什么水平",核心工具是渐近方差分析和扩散极限。本文的Section 3(相对方差准则)是对此线索的修正与扩展。
- 条件模拟与桥接:Golightly and Wilkinson (2015)、Golightly and Sherlock (2019)。这条线索关注"如何高效生成条件于观测的马尔可夫跳跃过程路径",为alive filter提供更高效的proposal。本文在模拟中使用了这些桥接方法,但未做理论贡献。
这个方向在追问的核心问题¶
- Q1(无偏性):如何在随机停止的粒子滤波中构造无偏的似然估计?已知答案:alive filter的 \(\frac{s-1}{M-1}\) 估计量(del Moral et al., 2015)。瓶颈:当 \(s=2\) 时二阶矩发散(Proposition 2),需要 \(s\ge 3\)。
- Q2(计算有界性):如何保证算法在任意观测下都能在有限时间内终止?已知答案:硬阈值 \(m^+\)(但引入偏差)。瓶颈:如何在有界计算下保持无偏性——本文的核心贡献。
- Q3(调参准则):如何选择 \(s\) 和 \(m^+\) 以平衡混合效率与计算成本?已知答案:\(\text{Var}[\log \hat{P}]\approx 1\)–\(2\)(对标准粒子滤波)。瓶颈:零似然场景下该准则失效,需改用相对方差(本文的贡献)。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 成:"alive filter 虽然无偏,但在异常观测或参数初值不佳时,\(M_t\) 可能极大,导致计算不可行;现有的硬阈值方案(如 Drovandi and McCutchan, 2016)虽然限制了计算,却引入了偏差。本文的 Frankenfilter 通过'部分存活'策略,在保持无偏性的同时将计算限制在 \([m^-, m^+]\) 内,并给出了选择 \(s\) 的显式公式(\(s\approx T\))。" 作者淡化的竞争路线包括:(i) 完全放弃无偏性、改用有偏但更快的近似(如固定粒子数的bootstrap filter),作者仅以"偏差不可控"一笔带过;(ii) 自适应地调整 \(s\) 而非固定 \(s\)(作者在Section 3.1的附录F.1中承认这是可能的优化方向,但未深入)。值得研究者去查的问题:论文的引言未提及粒子吉布斯(particle Gibbs)类方法——这类方法通过条件SMC更新轨迹,是否能在零似然场景下避免粒子死亡?此外,未引用 Andrieu et al. (2010) 的pMCMC奠基论文,也未讨论SMC²(Chopin et al., 2013)中的类似问题——这些可能是作者刻意回避的竞争框架。
张力¶
未见明显对立引用。但存在一个隐含张力:del Moral et al. (2015) 的alive filter要求 \(s\to\infty\) 以控制方差,而本文的调参建议 \(s\approx T\)(有限值)在 \(T\) 固定时意味着相对方差 \(V_{\text{rel}}\approx e-1\approx 1.72\),这略高于传统pMCMC建议的 \(1\)–\(2\) 区间上限。作者未讨论这一偏差是否会影响pMCMC的渐近混合效率。
二、最核心、最简单的例子 / 数学问题¶
第一步:把符号、模型、可观测数据交代清楚¶
- 符号:
- \(X_t\):\(t\) 时刻的隐状态(随机变量,\(d_x\) 维,连续或离散)。
- \(Y_t\):\(t\) 时刻的观测(随机变量,\(d_y\) 维)。
- \(p(x_t | x_{t-1})\):状态转移核(已知模型)。
- \(f(y_t | x_t)\):条件似然(已知模型,可能取零值)。
- \(\theta\):参数(estimand,pMCMC中要推断的对象)。
- \(P(y_{1:T}) = \int f(y_{1:T} | x_T) d\tilde{P}(x_T)\):边际似然(目标量)。
- \(\hat{P}\):似然的估计量(随机变量)。
- \(s\):目标成功数(用户设定,算法参数)。
- \(m^-\), \(m^+\):每观测区间的最小/最大模拟次数(算法参数)。
- \(M_t\):第 \(t\) 个观测区间实际模拟次数(随机变量)。
- \(w_t^j\):第 \(t\) 个区间第 \(j\) 个粒子的权重。
- \(S_t^j\):第 \(t\) 个区间第 \(j\) 个粒子的"成功量"(非负实数,可非二元)。
- \(K_t\):指示第 \(t\) 个区间是否"提前终止"(\(K_t=1\) 表示达到 \(s\) 成功,\(K_t=2\) 表示达到 \(m^+\) 上限)。
-
\(V_{\text{rel}} := \text{Var}[\hat{P}] / \mathbb{E}[\hat{P}]^2\):相对方差(调参目标量)。
-
模型:隐马尔可夫模型(HMM),观测 \(Y_t\) 在给定 \(X_t\) 下条件独立,状态 \(X_t\) 服从马尔可夫转移核。参数 \(\theta\) 进入转移核和条件似然。目标是从后验 \(\pi(\theta | y_{1:T})\) 中采样,但 \(\pi\) 的归一化常数(即边际似然 \(P(y_{1:T})\))不可得,故用pMCMC:在MCMC的每次迭代中,用粒子滤波估计 \(\hat{P}(y_{1:T}|\theta)\),将其代入Metropolis-Hastings接受概率。
-
可观测数据:研究者实际能观测到的是 \(Y_{1:T}\)(\(T\) 个观测值,每个 \(d_y\) 维)。隐状态 \(X_{1:T}\) 不可观测,只能通过粒子滤波模拟。条件似然 \(f(y_t|x_t)\) 是已知函数,但计算成本可能很高(例如精确观测时是示性函数)。关键:当 \(f(y_t|x_t)=0\) 时,该粒子"死亡";若所有粒子死亡,则 \(\hat{P}=0\),pMCMC会拒绝该参数值——这正是标准粒子滤波失效的场景。
第二步:讲最小内核¶
最小内核:考虑最简单的场景——单步观测(\(T=1\)),目标是从分布 \(\tilde{P}\) 中采样 \(X\),观测 \(Y=y\),条件似然为示性函数 \(f(y|x) = \mathbf{1}(h(x)=y)\)(即精确观测)。我们想要估计 \(p = \mathbb{E}_{\tilde{P}}[f(y|X)] = \tilde{P}(h(X)=y)\)。
-
标准bootstrap filter:固定模拟 \(m\) 个粒子,估计 \(\hat{p} = \frac{1}{m}\sum_{j=1}^m \mathbf{1}(h(X^j)=y)\)。若 \(p\) 很小(例如 \(p=10^{-6}\)),则 \(\hat{p}=0\) 的概率约为 \(1-(1-p)^m \approx 1-e^{-mp}\),当 \(m=10^4\) 时约为 \(1-e^{-0.01}\approx 0.01\),即 \(1\%\) 的概率得到零估计——在pMCMC中这意味着该参数值被拒绝,即使它可能是合理的。
-
Alive filter:持续模拟直到获得 \(s\) 个成功粒子,估计 \(\hat{p}_{\text{alive}} = \frac{s-1}{M-1}\),其中 \(M\) 是总模拟次数。无偏性:\(\mathbb{E}[\hat{p}_{\text{alive}}] = p\)(因为 \(M\) 服从负二项分布,\(\mathbb{E}[(s-1)/(M-1)] = p\))。但若 \(p=10^{-6}\),期望模拟次数 \(\mathbb{E}[M] = s/p = 10^6 \cdot s\),当 \(s=20\) 时需 \(2\times 10^7\) 次模拟——计算爆炸。
-
Frankenfilter的核心思想:设定下界 \(m^-\) 和上界 \(m^+\)。先模拟 \(m^-\) 个粒子;如果成功数 \(\ge s\),则用 \(\hat{p} = \frac{1}{m^-}\sum w^j\)(标准估计);如果成功数 \(< s\),则继续模拟直到成功数达到 \(s\) 或总模拟数达到 \(m^+\)。若达到 \(m^+\) 仍未成功,则用 \(\hat{p} = \frac{1}{m^+}\sum w^j\)(有偏但非零)。关键修正:当提前终止时(\(K=1\)),估计量不是 \(\frac{s-1}{M-1}\),而是 \(\frac{1}{M-1}\sum_{j=1}^{M-1} w^j\)(即去掉最后一个成功粒子后的平均权重)。这个"去掉最后一个"的操作保证了无偏性(Proposition 1),因为 \(M-1\) 个粒子的权重和的条件期望恰好等于 \(p\)。
为什么这个例子抓住了论文的数学本质:无偏性的证明依赖于一个精巧的停时论证——在 \(K=1\) 时,\(M-1\) 个粒子是exchangeable的,且 \(M\) 是停时,因此 \(\mathbb{E}[\frac{1}{M-1}\sum_{j=1}^{M-1} w^j] = p\)。这个论证不依赖于 \(s\) 的具体值,也不依赖于 \(w^j\) 的分布(只要非负)。一般情形(\(T>1\)、部分观测、非二元成功量)只是这个单步论证的递归应用。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在隐马尔可夫模型中,当条件似然可能为零时(精确观测、异常值、参数初值不佳),标准粒子滤波会因所有粒子权重为零而失效;现有的alive filter虽无偏但计算成本不可控,硬阈值方案虽限制计算但引入偏差。本文提出Frankenfilter,一种"部分存活"粒子滤波,在保持似然估计无偏的同时,将每观测区间的模拟次数限制在 \([m^-, m^+]\) 内。
- 核心工具/方法:在alive filter框架内引入上下界 \(m^-\) 和 \(m^+\),通过"去掉最后一个成功粒子"的修正构造无偏估计量(Proposition 1),并利用Bernstein不等式给出 \(m^+\) 对相对方差影响的显式上界(Proposition 4)。
- 主要结论:Frankenfilter产生的似然估计是无偏的(Theorem 1);在完全精确观测下,设置 \(s\approx T\)(\(T\) 为观测数)可使相对方差控制在 \(e-1\) 附近(Section 3.1);在部分观测和噪声观测下,Frankenfilter比标准bootstrap filter和带硬阈值的alive filter在效率上快2-3倍(Section 4),且避免了后者的偏差问题。
关键设定与假设¶
- 模型设定:隐马尔可夫模型,状态 \(X_t\) 可为离散(MJP)或连续(SDE),观测 \(Y_t\) 的条件似然 \(f(y_t|x_t)\) 已知且非负。允许三种观测类型:(i) 完全精确观测(\(f\) 为示性函数);(ii) 部分精确观测(观测状态的一个子集);(iii) 噪声观测(\(f\) 为连续密度,如Gamma)。
- 算法参数:\(s\)(目标成功数)、\(m^-\)(最小模拟次数)、\(m^+\)(最大模拟次数)。要求 \(0 \le m^- < m^+\),\(s \ge 2\)(当 \(s=2\) 时二阶矩发散,见Proposition 2)。
- 关键假设:
- A1(成功量非负):\(S_t^j \ge 0\),且 \(\mathbb{E}[S_t^j | \text{ancestor}] = f(y_t|x_t^j)\) 的某种归一化形式。这保证了权重更新的无偏性。
- A2(停时性质):\(M_t\) 是 \(\mathcal{F}_t\) 停时,且 \(M_t \le m^+\) 几乎必然。这是Proposition 1证明的核心。
- A3(exchangeability):给定停时 \(M_t\),前 \(M_t-1\) 个粒子是exchangeable的。这在算法中通过"均匀随机选择祖先"实现。
- A4(条件独立性):给定 \(X_{t-1}\),\(X_t\) 与 \(Y_{1:t-1}\) 独立(马尔可夫性质)。
- 相比已有工作的放宽/强化:相比del Moral et al. (2015) 的alive filter,本文放宽了"必须达到 \(s\) 成功"的要求(允许 \(m^+\) 截断),同时强化了实用性(给出调参公式);相比Kudlicka et al. (2019) 的拒绝控制,本文放宽了对成功量二元性的要求(允许任意非负权重)。
主要结果¶
- Theorem 1(无偏性):Frankenfilter返回的 \(\hat{P}(y_{1:T})\) 满足 \(\mathbb{E}[\hat{P}(y_{1:T})] = P(y_{1:T})\)。证明思路:对每个观测区间 \(t\),利用停时 \(M_t\) 和exchangeability,证明 \(\mathbb{E}[\hat{p}_t | \mathcal{F}_{t-1}] = p_t\)(单步无偏),然后递归相乘。关键技巧是去掉最后一个成功粒子——这避免了alive filter中 \(\frac{s-1}{M-1}\) 在 \(M=s\) 时的奇异性。
- Proposition 2(alive filter的二阶矩):当 \(s=2\) 时,\(\mathbb{E}[\hat{P}^2]/p^2 = -\log p / (1-p)\),在 \(p\to 0\) 时发散;当 \(s=3\) 时,\(\mathbb{E}[\hat{P}^2]/p^2 \le 2-p\),有界。这为"\(s\ge 3\)"提供了理论依据。
- Proposition 3(有界性):在 \(S_t^j = W_t^j/c\)(成功量正比于权重)且 \(0 \le W_t^j \le w^*\) 的条件下,Frankenfilter的相对方差满足
\[V_{\text{rel}} \le \exp\left\{\frac{T w^*}{c s - 2 w^*} + \frac{c s}{m^+ p} \mathbb{P}\left(\sum_{j=1}^{m^+} S_t^j < s\right)\right\} - 1.\]第一项来自alive filter的固有方差,第二项来自 \(m^+\) 截断的贡献。
- Proposition 4(截断概率):若 \(m^+ p = \kappa c s\)(\(\kappa \ge 7/4\)),则
\[\mathbb{P}\left(\sum_{j=1}^{m^+} S_t^j < s\right) < \exp\left\{-\frac{3(\kappa - 7/4) c s}{8 w^*}\right\}.\]这给出了 \(m^+\) 的显式选择准则:\(m^+ = \kappa c s / p\),其中 \(p\) 可用alive filter的初步运行估计。
证明路线与技术技巧¶
- 整体路线(以Theorem 1为例):
- 单步无偏性:固定 \(t\),设 \(M\) 为停时,\(W^1, \ldots, W^M\) 为权重。若 \(K=0\)(\(M=m^-\)),则 \(\hat{p} = \frac{1}{m^-}\sum_{j=1}^{m^-} W^j\),显然 \(\mathbb{E}[\hat{p}] = p\)。若 \(K=1\)(提前终止),则 \(\hat{p} = \frac{1}{M-1}\sum_{j=1}^{M-1} W^j\)。利用 \(M\) 是停时和exchangeability,证明 \(\mathbb{E}[\hat{p}] = p\)。若 \(K=2\)(达到 \(m^+\)),则 \(\hat{p} = \frac{1}{m^+}\sum_{j=1}^{m^+} W^j\),同样 \(\mathbb{E}[\hat{p}] = p\)(因为 \(m^+\) 是固定的)。
- 递归相乘:对 \(t=1,\ldots,T\),利用条件期望的塔性质,将单步无偏性递归相乘,得到 \(\mathbb{E}[\hat{P}(y_{1:T})] = P(y_{1:T})\)。
- 关键技巧:
- 停时与exchangeability的联合使用:这是证明的核心。通过"去掉最后一个成功粒子",使得 \(M-1\) 个粒子的权重和在条件期望下恰好等于 \(p\),避免了alive filter中 \(\frac{s-1}{M-1}\) 的偏差。
- Bernstein不等式:用于控制 \(m^+\) 截断的概率。关键是将 \(\sum_{j=1}^{m^+} S_t^j < s\) 转化为对 \(\sum_{j=1}^{m^+} (S_t^j - \mathbb{E}[S_t^j])\) 的偏差事件,然后应用Bernstein不等式。
- 相对方差而非对数方差:作者选择 \(V_{\text{rel}} = \text{Var}[\hat{P}]/\mathbb{E}[\hat{P}]^2\) 作为调参目标,而非传统的 \(\text{Var}[\log \hat{P}]\),因为后者在 \(\hat{P}=0\) 时无定义。这一选择是本文对pMCMC调参理论的重要修正。
真实例子与应用¶
本文包含五个模拟实验,全部基于马尔可夫跳跃过程(MJP)或其近似:
-
纯死亡过程(Section 4.1):这是最简例子,用于验证Frankenfilter的无偏性和偏差修正效果。数据 \(D_{50}\) 为50个精确观测,\(D_{50,\text{mod}}\) 将最后两个观测替换为极端低分位数(\(x_{48},x_{49},x_{50}=(58,57,57)\)),模拟异常值场景。结果显示:标准bootstrap filter在 \(D_{50,\text{mod}}\) 下几乎总是得到零似然估计(效率极低),而Frankenfilter的估计与精确似然一致,效率比bootstrap filter高10倍,比带硬阈值的alive filter高6-30倍。这个例子直接展示了Frankenfilter的核心优势:对异常值的稳健性。
-
蛋白质二聚化(Section 4.2):使用tau-leaping近似(Gillespie, 2001)模拟MJP,观测为部分精确(仅观测总蛋白数)。验证了调参建议 \(s\approx T\) 的有效性:在 \(T=10,30,50\) 时,\(s=T\) 均达到最优或接近最优效率(至少85%)。这个例子展示了Frankenfilter在计算成本受限场景下的实用性。
-
Lotka-Volterra tau-leap(Section 4.3):更复杂的双物种模型,比较了完全观测和部分观测(仅观测猎物)两种场景。结果显示,Frankenfilter在部分观测下效率提升更显著(2.4倍 vs 1.9倍),因为部分观测导致成功概率更低,标准滤波更容易死亡。
-
Lotka-Volterra SDE(Section 4.4):将MJP替换为SDE,观测为Gamma噪声。这里成功量 \(S_t^j\) 非二元(由公式(10)定义),验证了Frankenfilter对非二元成功量的适用性。这个例子展示了Frankenfilter的推广能力。
-
CWD鹿群流行病数据(Section 4.5):真实数据,两个独立的疫情爆发(1974-1985和1992-2001),拟合SEIR模型。结果显示,Frankenfilter的后验分布与bootstrap filter一致,但效率高1.6倍(仅主运行)到4倍(含pilot运行)。这个例子展示了Frankenfilter在实际数据上的表现。
🔎 结论是否比证明窄¶
- Proposition 2 的适用范围:论文严格证明了 \(s=2\) 时二阶矩发散、\(s=3\) 时有界,但仅针对二元成功量(精确观测)。对于非二元成功量(如Section 4.4的噪声观测),论文未给出对应的矩估计,仅在附录D中给出启发式论证。因此,"\(s\ge 3\) 保证有界二阶矩"这一结论在非二元成功量下并未严格证明。
- Theorem 2 的假设:论文在Section 3.2中推导了部分观测下的相对方差上界,但该推导依赖于"成功概率 \(p_t\) 在给定 \(z_{t-1}\) 下是常数"这一假设(见附录C)。对于时变或状态依赖的 \(p_t\),该上界可能不成立。论文在模拟中未验证这一假设的合理性。
- 调参建议的普适性:论文建议 \(s\approx T\),但该建议基于 \(p_t\) 较小的假设(Section 3.1)。如果 \(p_t\) 较大(例如噪声观测),\(s=T\) 可能过大,导致计算浪费。论文在Section 4.4中使用了 \(s=T\),但未讨论 \(p_t\) 较大时的最优 \(s\)。
四、开放问题¶
-
非二元成功量的矩估计:论文的Proposition 2仅对二元成功量给出了二阶矩的精确界。对于连续权重(如Section 4.4的Gamma观测),能否建立类似的矩估计?这需要推广停时论证到非二元情形,可能涉及对权重分布的高阶矩假设。扎根点:Proposition 2的证明(附录B)和附录D的启发式讨论。
-
自适应选择 \(s\) 和 \(m^+\):论文给出了固定 \(s\) 的调参建议,但未讨论如何根据数据自适应地选择 \(s\) 和 \(m^+\)。例如,能否在pMCMC运行中根据 \(\hat{p}_t\) 的估计动态调整 \(s\)?这需要建立 \(s\) 与pMCMC混合效率之间的更精细关系。扎根点:Section 3.1的公式(2)和附录F.1的讨论。
-
相关随机数的扩展:论文提到Frankenfilter可嵌入相关伪边际(correlated pseudo-marginal)方法(Deligiannidis et al., 2018),但未给出具体算法或理论分析。如何设计相关粒子流使得相邻MCMC迭代的似然估计正相关,同时保持无偏性?扎根点:Section 2末尾的评论和附录F。
-
高维状态空间的扩展:论文的模拟实验均为低维MJP或SDE。当状态空间维度较高时,alive filter的成功概率 \(p_t\) 可能指数级下降,Frankenfilter的 \(m^+\) 可能需要极大值。是否存在维度依赖的相变现象?扎根点:Section 4.2中"\(p_t\) 随状态空间规模增大而减小"的观察。
-
理论保证的完备化:论文证明了无偏性,但未给出估计量的方差上界(除二元情形外)。能否建立Frankenfilter估计量的中心极限定理(CLT)?这需要控制停时 \(M_t\) 的尾部概率,可能涉及对 \(p_t\) 下界的假设。扎根点:Theorem 1的证明(附录A)和Le Gland and Oudjane (2006) 的CLT结果。
提醒:若要确认上述某条是否为真 gap,建议去读以下近期文献的引言部分(约5篇):(i) pMCMC的综述(如Andrieu et al., 2010 的后续引用);(ii) alive filter的后续工作(如del Moral et al., 2015 的引用);(iii) 粒子滤波稳健性方向的近期论文(如2023-2025年发表在JRSS-B、Biometrika上的相关工作)。如果多篇近期论文的引言都指向同一问题,那很可能是共识性 gap;如果它们各说各话,则可能是尚未成型的开放问题。
Maintained by 陈星宇 · Homepage · Source on GitHub