.png){kind=icon}
返回
Bayesian parametric inference problem applied on branching processes
.png){kind=icon}
PRE
AI
DOI：10.1007/s40314-025-03572-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文中，采用Bienaymé-Galton-Watson（BGW）过程对一种流行病学疾病随时间的传播进行建模。一个离散随机变量，称为contagion，用于描述每个传染源导致的感染数量，它是理解该分支过程动态的关键要素。研究目标是探讨contagion参数的贝叶斯推断的反问题。提出了两种不同的策略：一种是在BGW过程中从同一代随机变量的不同实现中获取数据，另一种是从在多个代中观察到的单个过程实现中衍生数据。在每种策略中，一旦选定先验分布，主要挑战是确定适当的似然函数。本文介绍了构建这些似然函数的新方法，代表了文献中的新颖贡献。对于第一种策略，概率生成函数和马尔可夫链被提议作为构建适当似然函数的工具。对于第二种策略，采用一步转移概率，并借助概率生成函数。引入$$L_{2}$$-Wasserstein距离作为收敛准则以停止贝叶斯更新过程。由于数据是随机生成的，达到收敛所需的更新步数成为离散随机变量，因此需在概率框架内进行分析。
Keyword:
Uncertainty quantification
Branching process
Inverse problem
Bayesian parametric inference
期刊
C
IF:
0
论文数:
266
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Probabilistic analysis of a class of compartmental models formulated by random differential equations随机微分方程构建的一类房室模型的概率分析
PREAI
分享收藏
分享收藏
查看更多内容