論文の概要: Generalized Bayesian Filtering via Sequential Monte Carlo

• arxiv url: http://arxiv.org/abs/2002.09998v2
• Date: Wed, 21 Oct 2020 15:05:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 09:37:29.531096
• Title: Generalized Bayesian Filtering via Sequential Monte Carlo
• Title（参考訳）: 逐次モンテカルロによる一般化ベイズフィルタ
• Authors: Ayman Boustati, \"Omer Deniz Akyildiz, Theodoros Damoulas, Adam M. Johansen
• Abstract要約: 本稿では,一般状態空間隠蔽マルコフモデル (HMM) における推定のためのフレームワークを提案する。 一般化ベイズ推論(GBI)の損失理論的視点を利用して、HMMにおける一般化フィルタリング再帰を定義する。 標準フィルタリングアルゴリズムと他のロバストフィルタの性能改善を観察する。
• 参考スコア（独自算出の注目度）: 12.789129084258409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a framework for inference in general state-space hidden Markov models (HMMs) under likelihood misspecification. In particular, we leverage the loss-theoretic perspective of Generalized Bayesian Inference (GBI) to define generalised filtering recursions in HMMs, that can tackle the problem of inference under model misspecification. In doing so, we arrive at principled procedures for robust inference against observation contamination by utilising the $\beta$-divergence. Operationalising the proposed framework is made possible via sequential Monte Carlo methods (SMC), where most standard particle methods, and their associated convergence results, are readily adapted to the new setting. We apply our approach to object tracking and Gaussian process regression problems, and observe improved performance over both standard filtering algorithms and other robust filters.
• Abstract（参考訳）: 本稿では,一般状態空間隠蔽マルコフモデル (HMM) における推定のためのフレームワークを提案する。 特に、一般ベイズ推論(GBI)の損失理論的視点を利用して、HMMにおける一般化フィルタリング再帰を定義する。 そうすることで、$\beta$-divergenceを利用して、観測汚染に対するロバストな推論の原則付き手順に到達します。 提案手法の運用はsmc(シーケンシャルモンテカルロ法)によって可能であり、ほとんどの標準粒子法とそれに伴う収束結果が新しい設定に容易に適応される。 提案手法を対象追跡およびガウス過程回帰問題に適用し,標準フィルタリングアルゴリズムおよび他のロバストフィルタに対する性能改善を観測する。

関連論文リスト

• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Non-Sequential Ensemble Kalman Filtering using Distributed Arrays [0.24578723416255752]
  本研究は,Ensemble Kalman Filter (EnKF) の新しい分散実装を導入する。 これは高次元問題における大規模データセットの非逐次同化を可能にする。
  論文  参考訳（メタデータ） (2023-11-21T16:42:26Z)
• A Unified Approach to Controlling Implicit Regularization via Mirror Descent [18.536453909759544]
  ミラー降下(MD)は勾配降下(GD)の顕著な一般化である MDを効率的に実装することができ、適切な条件下での高速収束を享受できることを示す。
  論文  参考訳（メタデータ） (2023-06-24T03:57:26Z)
• GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP, and Beyond [101.5329678997916]
  対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。 本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。 低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
  論文  参考訳（メタデータ） (2022-11-03T16:42:40Z)
• Higher Order Kernel Mean Embeddings to Capture Filtrations of Stochastic Processes [11.277354787690646]
  我々は、KMEの概念を一般化する高階カーネル平均埋め込みの族を紹介する。 我々は,高次最大平均誤差 (MMD) に対する経験的推定器を導出し,整合性を証明した。 我々は,実世界のキャリブレーションと最適な停止問題を解くことができるプロセス上に,普遍カーネル群を構築する。
  論文  参考訳（メタデータ） (2021-09-08T12:27:25Z)
• On MCMC for variationally sparse Gaussian processes: A pseudo-marginal approach [0.76146285961466]
  ガウス過程(GP)は、機械学習や統計学において強力なモデルを構築するために頻繁に用いられる。 本稿では,2重推定器による確率と大規模データセットの正確な推測と計算的ゲインを提供する擬似マージナル(PM)方式を提案する。
  論文  参考訳（メタデータ） (2021-03-04T20:48:29Z)
• Consistency of regularized spectral clustering in degree-corrected mixed membership model [1.0965065178451106]
  正規化ラプラシア行列に基づく混合正規化スペクトルクラスタリング(Mixed-RSC,略してMixed-RSC)と呼ばれる効率的な手法を提案する。 混合RSCは、人口正規化ラプラシア行列の固有分解のための変種の理想的な錐構造に基づいて設計されている。 提案アルゴリズムは,各ノードの推定メンバシップベクトルに対する誤差境界を提供することにより,穏やかな条件下での整合性を示す。
  論文  参考訳（メタデータ） (2020-11-23T02:30:53Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• Posterior Differential Regularization with f-divergence for Improving Model Robustness [95.05725916287376]
  クリーン入力とノイズ入力のモデル後部差を規則化する手法に着目する。 後微分正則化を$f$-divergencesの族に一般化する。 実験の結果, 後方微分を$f$-divergenceで正規化することで, モデルロバスト性の向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-10-23T19:58:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。