基于迭代后验线性化和 Hamiltonian Monte Carlo 的 log-Gaussian gamma process 的估计
统计方法学
2026-02-10 v1 统计计算
摘要
随机过程是灵活且广泛使用的统计建模模型家族。尽管随机过程具有包含不确定性特征的吸引力属性，但其推断通常难以实现，唯一的例外是高斯过程。针对非高斯误差模型的推断，通常涉及对高维潜在变量的估计。我们提出了两种方法，利用迭代后验线性化（iterated posterior linearization） followed by Hamiltonian Monte Carlo 来抽样此类潜在模型的后验分布，尤其关注 log-Gaussian gamma process。通过两个从 log-Gaussian gamma process 生成的合成数据集以及一个多尺度生物复合材料刚度模型来验证所提方法。此外，我们将该方法应用于银矿（argentopyrite）的实验拉曼光谱。
引用
@article{arxiv.2602.07454,
title = {Estimation of log-Gaussian gamma processes with iterated posterior linearization and Hamiltonian Monte Carlo},
author = {Teemu Härkönen and Simo Särkkä},
journal= {arXiv preprint arXiv:2602.07454},
year = {2026}
}