論文の概要: Neural Kalman Filtering

• arxiv url: http://arxiv.org/abs/2102.10021v1
• Date: Fri, 19 Feb 2021 16:43:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 13:22:55.881485
• Title: Neural Kalman Filtering
• Title（参考訳）: 神経カルマンフィルタ
• Authors: Beren Millidge, Alexander Tschantz, Anil Seth, Christopher Buckley
• Abstract要約: カルマンフィルタの勾配差近似は,差分重み付き予測誤差を持つ局所計算のみを必要とすることを示す。 また、同じスキームの下では、ヘビアン可塑性に直接対応する学習規則で動的モデルを適応的に学習することが可能であることを示す。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Kalman filter is a fundamental filtering algorithm that fuses noisy sensory data, a previous state estimate, and a dynamics model to produce a principled estimate of the current state. It assumes, and is optimal for, linear models and white Gaussian noise. Due to its relative simplicity and general effectiveness, the Kalman filter is widely used in engineering applications. Since many sensory problems the brain faces are, at their core, filtering problems, it is possible that the brain possesses neural circuitry that implements equivalent computations to the Kalman filter. The standard approach to Kalman filtering requires complex matrix computations that are unlikely to be directly implementable in neural circuits. In this paper, we show that a gradient-descent approximation to the Kalman filter requires only local computations with variance weighted prediction errors. Moreover, we show that it is possible under the same scheme to adaptively learn the dynamics model with a learning rule that corresponds directly to Hebbian plasticity. We demonstrate the performance of our method on a simple Kalman filtering task, and propose a neural implementation of the required equations.
• Abstract（参考訳）: Kalmanフィルタは、ノイズの多い感覚データ、以前の状態推定、およびダイナミクスモデルを融合させ、現在の状態の原理化された推定を生成する基本的なフィルタリングアルゴリズムです。 それは線形モデルおよび白いガウスの騒音のために仮定し、最適です。 比較的単純で一般的な効果があるため、カルマンフィルタは工学的用途で広く使われている。 脳が直面する多くの感覚問題は、中核にあるフィルター問題であるため、脳はカルマンフィルタと等価な計算を実装した神経回路を持っている可能性がある。 カルマンフィルタの標準的なアプローチは、神経回路に直接実装できない複雑な行列計算を必要とする。 本稿では,kalmanフィルタへの勾配-増分近似は,分散重み付き予測誤差を持つ局所計算のみを必要とすることを示す。 さらに,ヘビビアン可塑性に直接対応した学習規則により,動的モデルを適応的に学習することが可能であることが示された。 簡単なカルマンフィルタタスクにおいて,本手法の性能を実証し,必要な方程式のニューラル実装を提案する。

関連論文リスト

• Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability [59.758009422067]
  線形状態空間モデルにおいて閉形式ガウス推論を行う独立なカルマンフィルタ層を提案する。 効率的な線形リカレント層と同様に、Kalmanフィルタ層は並列スキャンを使用してシーケンシャルデータを処理している。 実験により、不確実性推論が意思決定の鍵となる問題においてカルマンフィルタ層が優れており、他のステートフルモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-25T11:22:29Z)
• Tensor network square root Kalman filter for online Gaussian process regression [5.482420806459269]
  テンソルネットワークの平方根カルマンフィルタを初めて開発し,それを高次元オンラインガウス過程回帰に適用する。 実験では,本手法がフルランクテンソルネットワークを選択する場合,従来のカルマンフィルタと等価であることを示す。 また,本手法を実生活システム識別問題に適用し,標準ラップトップ上で414ドルのパラメータを推定する。
  論文  参考訳（メタデータ） (2024-09-05T06:38:27Z)
• Machine Learning and Kalman Filtering for Nanomechanical Mass Spectrometry [0.0]
  本稿では,最大線量推定で拡張したカルマンフィルタ手法の強化とロバストな実現法を提案する。 本稿では、ニューラルネットワークに基づく学習手法と、時間的位置推定とイベントサイズ推定のための決定木の向上について述べる。
  論文  参考訳（メタデータ） (2023-06-01T11:22:04Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Multiparticle Kalman filter for object localization in symmetric environments [69.81996031777717]
  ローカライズ問題を解決するためによく知られたフィルタリングアルゴリズムのクラスは、カルマンフィルタ法と粒子フィルタ法である。 これらのクラスを考察し、それらの相補的性質を実証し、2つのクラスから最良となる新しいフィルタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-14T13:31:43Z)
• Neural optimal feedback control with local learning rules [67.5926699124528]
  運動制御の大きな問題は、脳がどのように遅延と雑音の刺激に直面して適切な動きを計画し実行するかを理解することである。 本稿では,適応カルマンフィルタとモデル自由制御手法を組み合わせた新しいオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-11-12T20:02:00Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• KaFiStO: A Kalman Filtering Framework for Stochastic Optimization [27.64040983559736]
  ニューラルネットワークのトレーニングでは,サンプルのサブセットをランダムに選択することで,損失関数が時間とともに変化することを示す。 このランダム化は最適化問題を最適なものにする。 我々は、この損失を、何らかの参照に関してうるさい観察と見なすことを提案する。
  論文  参考訳（メタデータ） (2021-07-07T16:13:57Z)

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。