通用准周期高斯过程的结构方程公式化
A structural equation formulation for general quasi-periodic Gaussian processes
AI总结：
本文提出一种结构方程公式化方法生成新型准周期高斯过程，简化生成与预测并提供超参数估计，经潮汐、CO₂排放等数据验证，可将似然评估与预测成本从𝒪(k²p²)降至𝒪(p²)，显著提升可扩展性。
摘要：
本文提出一种结构方程公式化方法，该方法可生成一类新型准周期高斯过程，适用于处理广泛的自然信号与生理信号。所提公式化方法简化了生成与预测过程，并提供超参数估计值，我们将其用于收敛且一致的迭代估计算法中。本文还提供了一种用于标准误差估计及置信区间的自助法。我们在多种问题上验证了所提方法的计算优势与扩展性优势，包括水位潮汐分析、CO₂排放数据及太阳黑子数数据。通过利用结构方程，本方法将似然评估与预测的成本从𝒪(k²p²)降至𝒪(p²)，显著提升了可扩展性。
英文摘要：
This paper introduces a structural equation formulation that gives rise to a new family of quasi-periodic Gaussian processes, useful to process a broad class of natural and physiological signals. The proposed formulation simplifies generation and forecasting, and provides hyperparameter estimates, which we exploit in a convergent and consistent iterative estimation algorithm. A bootstrap approach for standard error estimation and confidence intervals is also provided. We demonstrate the computational and scaling benefits of the proposed approach on a broad class of problems, including water level tidal analysis, CO\textsubscript{2} emission data, and sunspot numbers data. By leveraging the structural equations, our method reduces the cost of likelihood evaluations and predictions from $\mathcal{O}(k^2 p^2)$ to $\mathcal{O}(p^2)$, significantly improving scalability.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
