論文の概要: The Application of Zig-Zag Sampler in Sequential Markov Chain Monte Carlo

• arxiv url: http://arxiv.org/abs/2111.10210v1
• Date: Thu, 18 Nov 2021 02:15:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-22 16:10:08.022330
• Title: The Application of Zig-Zag Sampler in Sequential Markov Chain Monte Carlo
• Title（参考訳）: zig-zagサンプラーの逐次マルコフ連鎖モンテカルロへの応用
• Authors: Yu Han, Kazuyuki Nakamura
• Abstract要約: 高次元状態空間モデルでは、従来の粒子フィルタリング法は重縮退に苦しむ。 本稿では,MHカーネルを実装したSequential Makov Chian Monte Carloフレームワークの構築を提案する。 提案手法は,最先端のフィルタリング手法と比較して推定精度を向上し,受け入れ率を増加させることを示す。
• 参考スコア（独自算出の注目度）: 4.278434189549703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Particle filtering methods are widely applied in sequential state estimation within nonlinear non-Gaussian state space model. However, the traditional particle filtering methods suffer the weight degeneracy in the high-dimensional state space model. Currently, there are many methods to improve the performance of particle filtering in high-dimensional state space model. Among these, the more advanced method is to construct the Sequential Makov chian Monte Carlo (SMCMC) framework by implementing the Composite Metropolis-Hasting (MH) Kernel. In this paper, we proposed to discrete the Zig-Zag Sampler and apply the Zig-Zag Sampler in the refinement stage of the Composite MH Kernel within the SMCMC framework which is implemented the invertible particle flow in the joint draw stage. We evaluate the performance of proposed method through numerical experiments of the challenging complex high-dimensional filtering examples. Nemurical experiments show that in high-dimensional state estimation examples, the proposed method improves estimation accuracy and increases the acceptance ratio compared with state-of-the-art filtering methods.
• Abstract（参考訳）: 粒子フィルタリング法は非線形非ガウス状態空間モデルにおける逐次状態推定に広く適用されている。 しかし、従来の粒子フィルタリング法は高次元状態空間モデルにおいて重縮退に苦しむ。 現在、高次元状態空間モデルにおける粒子フィルタリングの性能を向上させる方法は数多く存在する。 これらのうち、より進んだ方法は、複合メトロポリス・ハスティング(MH)カーネルを実装することで、シークエンシャル・マコフ・キアン・モンテカルロ(SMCMC)フレームワークを構築することである。 本稿では,Zig-Zagサンプラーを離散化し,Zig-ZagサンプラーをSMCMCフレームワーク内の複合MHカーネルの精製段階に適用することを提案する。 複雑な高次元フィルタリング例の数値実験により,提案手法の性能を評価する。 ネマラル実験により, 高次元状態推定例において, 提案手法は評価精度を向上し, 受け入れ率を増加させることを示した。

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)
• Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
  反復Denoising Energy Matching (iDEM) iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。 提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
  論文  参考訳（メタデータ） (2024-02-09T01:11:23Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Chebyshev Particles [0.0]
  まず、対象の後方分布を無限次元ユークリッド空間におけるサンプルの写像として考える。 重み付けされたリース分極量を最大化して、ペアの相互作用により、補正可能な部分多様体を識別する新しい基準を提案する。 我々は,合成データを用いた線形状態空間モデルと実世界のデータを用いた非線形ボラティリティモデルを用いたパラメータ推論実験により,高い性能を実現した。
  論文  参考訳（メタデータ） (2023-09-10T16:40:30Z)
• 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)
• Hamiltonian Monte Carlo Particle Swarm Optimizer [0.0]
  Hamiltonian Particle Swarm (HMCPSO) は、指数平均サンプリングとHMC位置と速度の両方の利点を享受する最適化アルゴリズムである。
  論文  参考訳（メタデータ） (2022-05-08T04:47:34Z)
• Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
  フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。 フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
  論文  参考訳（メタデータ） (2022-02-23T19:00:00Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)
• Generalized Bayesian Filtering via Sequential Monte Carlo [12.789129084258409]
  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。
  論文  参考訳（メタデータ） (2020-02-23T22:15:52Z)

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。