論文の概要: Conditional Measurement Density Estimation in Sequential Monte Carlo via Normalizing Flow

• arxiv url: http://arxiv.org/abs/2203.08617v1
• Date: Wed, 16 Mar 2022 13:35:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 14:15:43.502885
• Title: Conditional Measurement Density Estimation in Sequential Monte Carlo via Normalizing Flow
• Title（参考訳）: 正規化流れによる連続モンテカルロの条件測定密度推定
• Authors: Xiongjie Chen, Yunpeng Li
• Abstract要約: 本研究では, 条件付き正規化フローを用いて, 測定モデルにおける表現的, 有効な確率密度を学習することを提案する。 提案手法は,視覚的トラッキング実験において,推定性能の向上とトレーニング収束の高速化につながることを示す。
• 参考スコア（独自算出の注目度）: 12.161649672131286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tuning of measurement models is challenging in real-world applications of sequential Monte Carlo methods. Recent advances in differentiable particle filters have led to various efforts to learn measurement models through neural networks. But existing approaches in the differentiable particle filter framework do not admit valid probability densities in constructing measurement models, leading to incorrect quantification of the measurement uncertainty given state information. We propose to learn expressive and valid probability densities in measurement models through conditional normalizing flows, to capture the complex likelihood of measurements given states. We show that the proposed approach leads to improved estimation performance and faster training convergence in a visual tracking experiment.
• Abstract（参考訳）: 連続モンテカルロ法の実世界での計測モデルのチューニングは困難である。 微分可能な粒子フィルタの最近の進歩は、ニューラルネットワークを通して計測モデルを学ぶ様々な取り組みにつながった。 しかし、微分可能な粒子フィルタフレームワークにおける既存のアプローチでは、測定モデルの構築において有効な確率密度が認められておらず、与えられた状態情報の誤った定量化につながる。 条件付き正規化流れを通じて測定モデルの表現的かつ妥当な確率密度を学習し、与えられた状態の複雑な確率を捉えることを提案する。 提案手法は,視覚的トラッキング実験において,推定性能の向上とトレーニング収束の高速化につながることを示す。

関連論文リスト

• Diffusion Density Estimators [0.0]
  本稿では,フローを解くことなくログ密度を計算できる新しい並列化手法を提案する。 我々のアプローチは、モンテカルロによる経路積分を、拡散モデルのシミュレーション不要な訓練と同一の方法で推定することに基づいている。
  論文  参考訳（メタデータ） (2024-10-09T15:21:53Z)
• Conditional score-based diffusion models for solving inverse problems in mechanics [6.319616423658121]
  条件付きスコアベース拡散モデルを用いてベイズ推定を行う枠組みを提案する。 条件付きスコアベース拡散モデルは条件分布のスコア関数を近似する生成モデルである。 メカニクスにおける高次元逆問題に対して提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-19T02:09:15Z)
• 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)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Uncertainty quantification and out-of-distribution detection using surjective normalizing flows [46.51077762143714]
  本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。 本手法は, 流通外データと流通内データとを確実に識別できることを示す。
  論文  参考訳（メタデータ） (2023-11-01T09:08:35Z)
• Data-driven Modeling and Inference for Bayesian Gaussian Process ODEs via Double Normalizing Flows [28.62579476863723]
  本稿では,ODEベクトル場を再パラメータ化するために正規化フローを導入し,データ駆動の事前分布を導出する。 また, GP ODE の後部推定に正規化フローを適用し, 強平均場仮定の問題を解く。 シミュレーション力学系と実世界の人間の動作データに対するアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-17T09:28:47Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Generative Network-Based Reduced-Order Model for Prediction, Data Assimilation and Uncertainty Quantification [0.0]
  本稿では,生成ネットワーク(GN)を低次モデル(ROM)フレームワークに統合する手法を提案する。 目的は、利用可能な測定値に一致し、物理シミュレーションの状態とパラメータに関連する、対応する不確かさを推定することである。
  論文  参考訳（メタデータ） (2021-05-28T14:12:45Z)

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。