論文の概要: Towards Differentiable Resampling

• arxiv url: http://arxiv.org/abs/2004.11938v1
• Date: Fri, 24 Apr 2020 18:37:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 03:17:45.145827
• Title: Towards Differentiable Resampling
• Title（参考訳）: 異なる再サンプリングに向けて
• Authors: Michael Zhu, Kevin Murphy, Rico Jonschkowski
• Abstract要約: 本稿では,新しいネットワークアーキテクチャ,パーティクル・トランスフォーマーを提案し,粒子集合上の可能性に基づく損失関数を用いて粒子再サンプリングを訓練する。 以上の結果から,我々の学習したリサンプラーは,合成データやシミュレーションロボットのローカライゼーションタスクにおいて,従来のリサンプラー技術よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 22.92540370475242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resampling is a key component of sample-based recursive state estimation in particle filters. Recent work explores differentiable particle filters for end-to-end learning. However, resampling remains a challenge in these works, as it is inherently non-differentiable. We address this challenge by replacing traditional resampling with a learned neural network resampler. We present a novel network architecture, the particle transformer, and train it for particle resampling using a likelihood-based loss function over sets of particles. Incorporated into a differentiable particle filter, our model can be end-to-end optimized jointly with the other particle filter components via gradient descent. Our results show that our learned resampler outperforms traditional resampling techniques on synthetic data and in a simulated robot localization task.
• Abstract（参考訳）: 再サンプリングは粒子フィルタにおけるサンプルベース再帰状態推定の重要なコンポーネントである。 最近の研究は、エンドツーエンド学習のための微分可能な粒子フィルタを探求している。 しかし、本質的に微分不可能であるため、これらの作品における再サンプリングは依然として課題である。 従来のリサンプリングをニューラルネットワークのリサンプリングに置き換えることで、この課題に対処する。 本稿では,新しいネットワークアーキテクチャ,粒子変換器を提案し,粒子集合上の可能性に基づく損失関数を用いて粒子再サンプリングを訓練する。 微分可能な粒子フィルタに組み込んだモデルでは、勾配降下により、他の粒子フィルタ成分とエンドツーエンドに最適化できる。 以上の結果から,我々の学習したリサンプラーは,合成データやシミュレーションロボットのローカライゼーションタスクにおいて,従来のリサンプラー技術よりも優れていることがわかった。

関連論文リスト

• Permutation Invariant Learning with High-Dimensional Particle Filters [8.878254892409005]
  深層モデルのシークエンシャルラーニングは、しばしば破滅的な忘れ物や可塑性の喪失といった課題に悩まされる。 本研究では,高次元粒子フィルタに基づく新しい置換不変学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-30T05:06:55Z)
• Regime Learning for Differentiable Particle Filters [19.35021771863565]
  微分可能な粒子フィルタは、シーケンシャルモンテカルロ法とニューラルネットワークの柔軟性を組み合わせて状態空間推論を行う新しいモデルのクラスである。 個々の体制と切り替えプロセスの両方を同時に学習する事前のアプローチは存在しない。 本稿では,ニューラルネットワークを用いた微分可能粒子フィルタ(RLPF)を提案する。
  論文  参考訳（メタデータ） (2024-05-08T07:43:43Z)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• An overview of differentiable particle filters for data-adaptive sequential Bayesian inference [19.09640071505051]
  粒子フィルタ(PF)は非線形逐次状態推定問題を解くための効率的なメカニズムを提供する。 新たなトレンドは、ニューラルネットワークを使用して粒子フィルタのコンポーネントを構築し、勾配降下によって最適化することである。 微分可能な粒子フィルタは複雑な高次元タスクにおいて逐次データに対する推論を行うための有望な計算ツールである。
  論文  参考訳（メタデータ） (2023-02-19T18:03:53Z)
• Continuous-time Particle Filtering for Latent Stochastic Differential Equations [37.51802583388233]
  本稿では,粒子フィルタを連続時間領域に拡張した連続潜時粒子フィルタを提案する。 本研究では, 連続潜時粒子フィルタが, 学習した変動後部に依存した推論手法の汎用的なプラグイン代替として利用できることを示す。
  論文  参考訳（メタデータ） (2022-09-01T01:05:31Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Batch Normalization Tells You Which Filter is Important [49.903610684578716]
  我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-02T12:04:59Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• Deep Convolutional Correlation Iterative Particle Filter for Visual Tracking [1.1531505895603305]
  本研究では,反復的粒子フィルタ,深部畳み込みニューラルネットワーク,相関フィルタを統合した視覚追跡のための新しいフレームワークを提案する。 我々は, K-平均クラスタリングを適用して, 繰り返し後の粒子の可能性を評価する新しい手法を採用した。 2つの異なるベンチマークデータセットの実験結果は、トラッカーが最先端の手法に対して好適に動作することを示している。
  論文  参考訳（メタデータ） (2021-07-07T02:44:43Z)

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。