論文の概要: Approximating Posterior Predictive Distributions by Averaging Output
From Many Particle Filters
- arxiv url: http://arxiv.org/abs/2006.15396v3
- Date: Sun, 14 Feb 2021 00:28:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 08:09:04.138755
- Title: Approximating Posterior Predictive Distributions by Averaging Output
From Many Particle Filters
- Title(参考訳): 多数の粒子フィルタからの出力平均化による後続予測分布の近似
- Authors: Taylor R. Brown
- Abstract要約: 本稿では, it Particle Swarm filter(粒子群最適化と混同しないように)を紹介する。
多くの粒子フィルタからの予測近似を平均化することにより、後続の予測分布の列への近似を目標とする。
大数の法則と中心極限定理、およびボラティリティモデルからのシミュレーションデータの数値的研究が提供される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the {\it particle swarm filter} (not to be confused
with particle swarm optimization): a recursive and embarrassingly parallel
algorithm that targets an approximation to the sequence of posterior predictive
distributions by averaging expectation approximations from many particle
filters. A law of large numbers and a central limit theorem are provided, as
well as an numerical study of simulated data from a stochastic volatility
model.
- Abstract(参考訳): 本稿では,多くの粒子フィルタからの期待値近似を平均化することにより,後続予測分布の列への近似を目標とする再帰的かつ恥ずかしい並列アルゴリズムである {\it particle swarm filter}(粒子群最適化と混同してはならない)を紹介する。
大数の法則と中心極限定理と、確率的ボラティリティモデルによるシミュレーションデータの数値的研究が提供されている。
関連論文リスト
- Unsupervised Learning of Sampling Distributions for Particle Filters [80.6716888175925]
観測結果からサンプリング分布を学習する4つの方法を提案する。
実験により、学習されたサンプリング分布は、設計された最小縮退サンプリング分布よりも優れた性能を示すことが示された。
論文 参考訳(メタデータ) (2023-02-02T15:50:21Z) - Understanding the diffusion models by conditional expectations [0.0]
DDPMにおける解析的平均ドリフト関数とSGMにおけるスコア関数が特異データ分布のサンプリングプロセスの最終段階に爆発的に現れることを示す。
我々は新たな目標関数と関連する損失を導出するが、これは特異データ分布においても有界である。
論文 参考訳(メタデータ) (2023-01-19T05:13:03Z) - 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]
本稿では,離散的に観察された非線形拡散過程のオンラインフィルタリングについて述べる。
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。
数値実験により、提案手法はブートストラップ粒子フィルタよりも桁違いに効率的であることが示されている。
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) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - 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) - Deep FPF: Gain function approximation in high-dimensional setting [8.164433158925592]
フィードバック粒子フィルタ(FPF)の利得関数を近似する新しい手法を提案する。
数値的な問題は、確率分布からサンプリングされた有限個の粒子のみを用いて、正確な利得関数を近似することである。
近年のディープラーニング手法の成功に触発されて、我々はゲイン関数をニューラルネットワークの出力の勾配として表現した。
論文 参考訳(メタデータ) (2020-10-02T20:17:21Z) - When is Particle Filtering Efficient for Planning in Partially Observed
Linear Dynamical Systems? [60.703816720093016]
本稿では, 逐次計画における粒子フィルタリングの効率性について検討する。
我々は、粒子フィルタリングに基づくポリシーの長期報酬が正確な推測に基づいてそれに近いように、必要な粒子の数に縛り付けることができる。
このテクニックは、他のシーケンシャルな意思決定問題に有効であると考えています。
論文 参考訳(メタデータ) (2020-06-10T17:43:43Z) - Multiplicative Gaussian Particle Filter [18.615555573235987]
フィルタ問題における近似推論のためのサンプリングに基づく新しい手法を提案する。
有限個の状態からなる条件分布を粒子フィルタで近似するのではなく、連続関数の集合から重み付けされた関数の和で分布を近似する。
論文 参考訳(メタデータ) (2020-02-29T09:19:38Z)
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。