Prequential posteriors

新的“prequential posteriors”方法助力深度生成式预测模型

研究人员推出了一种名为“prequential posteriors”的新方法，用于在有新数据可用时更新深度生成式预测模型（DGFMs）。该方法解决了 DGFMs 中棘手的似然函数问题，这阻碍了标准贝叶斯数据同化技术的使用。新方法利用预测-顺序损失函数，已被证明对时间依赖性数据有效，并表明它集中在具有最佳预测性能的参数周围。为了高效计算，研究人员开发了具有预处理梯度下降核的无浪费顺序蒙特卡洛采样器，并在合成和真实世界气象数据集上进行了验证。