面向神经科学中一类部分观测过程的多层蒙特卡罗方法
神经元与认知
2024-12-03 v2 统计方法学
摘要
在本文中，我们考虑与一类由跳跃过程驱动的部分观测随机微分方程（SDE）相关的贝叶斯参数推断。此类模型在应用中经常遇到，我们重点关注神经科学中的情形。假设数据在时间上被规律观测，并由带有未知参数的 SDE 模型驱动。实际上，SDE 可能不具有解析可处理的解，这自然导致时间离散化。我们改编了文献[11]的多层马尔可夫链蒙特卡罗方法，该方法使用时间离散化的层次结构，并从经验和理论上表明，这优于使用单一时间离散化。改进体现在获得预定数值误差所需的计算代价方面。我们的方法在神经科学中的模型上进行了说明。
引用
@article{arxiv.2310.06533,
title = {Multilevel Monte Carlo for a class of Partially Observed Processes in Neuroscience},
author = {Mohamed Maama and Ajay Jasra and Kengo Kamatani},
journal= {arXiv preprint arXiv:2310.06533},
year = {2024}
}