贝叶斯推断高斯过程多代理连续信号对齐（BIGMACS）：在古海洋学中的应用

我们首先介绍一种新颖的基于剖面的对齐算法，即采用高斯过程回归剖面的多连续信号对齐算法（SA-GPR）。SA-GPR 通过采用粒子平滑与马尔可夫链蒙特卡罗（MCMC）算法的混合来对齐信号，并应用高斯过程回归构建待连续对齐的剖面，从而解决了现有信号对齐方法的局限性。SA-GPR 具备所有依赖剖面的现有对齐算法的优点，但更为精确，因为剖面无需被离散化为顺序分箱。由此消除了此类分箱分辨率带来的性能不确定性。该方法产生的对齐结果具有一致性，能正则化极端情形，并恰当反映固有不确定性。随后我们将 SA-GPR 推广至古海洋学领域的一个具体问题，提出一种称为贝叶斯推断高斯过程多代理连续信号对齐（BIGMACS）的方法。BIGMACS 的目标是利用两类年龄代理为海洋沉积物岩芯推断连续年龄：显式返回日历年龄的代理（如放射性碳）以及用于在多个海洋记录中同步年龄的代理（如基于氧同位素的海洋代理，即底栖 ${\delta}^{18}{\rm O}$）。BIGMACS 通过迭代执行两步来整合这两类代理：由底栖 ${\delta}^{18}{\rm O}$ 年龄模型构建剖面，以及将每个岩芯对齐到该剖面同时反映放射性碳测年。我们利用 BIGMACS 构建了由五个海洋沉积物岩芯组成的东北大西洋深部新堆叠剖面（即特定底栖 ${\delta}^{18}{\rm O}$ 记录的剖面）。最后，我们将同一区域的两个额外岩芯对齐到该堆叠剖面，从而构建多代理年龄模型。