Convolutional LSTM for spatial forecasting
在预测空间确定的现象（例如天气或电影中的下一帧）时，我们希望对时间演变进行建模，理想情况下使用递归关系。同时，我们希望有效地提取空间特征，这通常是使用卷积滤波器完成的。理想情况下，我们将拥有一个既是循环又是卷积的架构。在这篇文章中，我们使用 torch 构建了一个卷积 LSTM。
Dynamic linear models with tfprobability
之前的文章介绍了 tfprobability（TensorFlow Probability 的 R 接口），重点介绍了深度神经网络的增强功能（例如，引入贝叶斯不确定性估计）以及使用汉密尔顿蒙特卡罗拟合分层模型。这次，我们将展示如何使用动态线性模型 (DLM) 拟合时间序列，从而得到后验预测以及来自卡尔曼滤波器的平滑和滤波估计。
好了，我们到了——已经是六月了。以下是我的阅读建议：Abadie, A., S. Athey, G. Imbens, & J. Wooldridge, 2017. 何时应调整聚类的标准误差？Mimeo。Berk, R., A. Buja, L. Brown, E. George, A. K. Kuchibhotla, W. Su, & L, Shazo, 2019. 假设精益回归。American Statistician，即将出版。Ghosh, T., M. Ghosh, & T. Kubokawa, 2019. 论最小二乘估计量的损失稳健性，American Statistician，即将
