ترجمه فارسی مقاله یادگیری بیزی در یک مدل حالت چند منظوره غیرخطی

چکیده

The ubiquity of multiscale interactions in complex systems is well-recognized, with development and heredity serving as a prime example of how processes at different temporal scales influence one another. This work introduces a novel multiscale state-space model to explore the dynamic interplay between systems interacting across different time scales, with feedback between each scale. We propose a Bayesian learning framework to estimate unknown states by learning the unknown process noise covariances within this multiscale model. We develop a Particle Gibbs with Ancestor Sampling (PGAS) algorithm for inference and demonstrate through simulations the efficacy of our approach.

چکیده به فارسی (ترجمه ماشینی)

همه گیر بودن تعامل چند مقیاس در سیستم های پیچیده به خوبی شناخته شده است ، با توسعه و وراثت به عنوان نمونه اصلی چگونگی فرآیندها در مقیاس های زمانی مختلف بر یکدیگر تأثیر می گذارد.این کار یک مدل جدید حالت فضای چند مقیاس را برای کشف تعامل پویا بین سیستم های تعامل در مقیاس های زمانی مختلف ، با بازخورد بین هر مقیاس معرفی می کند.ما یک چارچوب یادگیری بیزی را برای برآورد حالتهای ناشناخته با یادگیری کواریانس های نویز فرآیند ناشناخته در این مدل چند مقیاس پیشنهاد می کنیم.ما یک گیب های ذرات با الگوریتم نمونه گیری اجداد (PGA) برای استنتاج ایجاد می کنیم و از طریق شبیه سازی اثربخشی رویکرد ما را نشان می دهیم.