論文の概要: An energy-based deep splitting method for the nonlinear filtering
problem
- arxiv url: http://arxiv.org/abs/2203.17153v1
- Date: Thu, 31 Mar 2022 16:26:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 19:33:36.998629
- Title: An energy-based deep splitting method for the nonlinear filtering
problem
- Title（参考訳）: 非線形フィルタ問題に対するエネルギーベース深部分割法
- Authors: Kasper B{\aa}gmark, Adam Andersson, Stig Larsson
- Abstract要約: 本研究の主な目的は,ディープラーニングによる非線形フィルタリング問題を概ね解決することである。
これは、(確率的な)偏微分方程式の近似解のために以前に開発されたディープスプリッティング法により、ザカイ方程式を解くことで達成される。
これは、ディープニューラルネットワークによる関数近似のためのエネルギーベースモデルと組み合わせられる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The main goal of this paper is to approximately solve the nonlinear filtering
problem through deep learning. This is achieved by solving the Zakai equation
by a deep splitting method, previously developed for approximate solution of
(stochastic) partial differential equations. This is combined with an
energy-based model for the approximation of functions by a deep neural network.
This results in a computationally fast filter that takes observations as input
and that does not require re-training when new observations are received. The
method is tested on three examples, one linear Gaussian and two nonlinear. The
method shows promising performance when benchmarked against the Kalman filter
and the bootstrap particle filter.
- Abstract（参考訳）: 本研究の主な目的は,ディープラーニングによる非線形フィルタリング問題を概ね解決することである。
これは(確率的な)偏微分方程式の近似解として以前に開発された深い分割法による座界方程式の解法によって達成される。
これは、ディープニューラルネットワークによる関数近似のためのエネルギーベースのモデルと組み合わされる。
これにより、計算的に高速なフィルタが観測を入力として受け取り、新しい観測が受信されたときに再学習を必要としない。
この手法は線形ガウスと非線形の3つの例で検証される。
本手法は,Kalmanフィルタとブートストラップ粒子フィルタとのベンチマークにより,有望な性能を示す。
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) - [Re] The Discriminative Kalman Filter for Bayesian Filtering with
Nonlinear and Non-Gaussian Observation Models [25.587281577467405]
カルマンフィルタは、隠れた変数や潜伏変数を推定する単純かつ解釈可能な手段を提供する。
そのような応用の1つは神経補綴のための神経復号法である。
この研究は、高非線形または非ガウス観測モデルに対する著者のアルゴリズムに代わるオープンソースのPythonを提供する。
論文 参考訳（メタデータ） (2024-01-24T21:00:42Z) - 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) - 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) - An application of the splitting-up method for the computation of a
neural network representation for the solution for the filtering equations [68.8204255655161]
フィルタ方程式は、数値天気予報、金融、工学など、多くの現実の応用において中心的な役割を果たす。
フィルタリング方程式の解を近似する古典的なアプローチの1つは、分割法と呼ばれるPDEにインスパイアされた方法を使うことである。
我々はこの手法をニューラルネットワーク表現と組み合わせて、信号プロセスの非正規化条件分布の近似を生成する。
論文 参考訳（メタデータ） (2022-01-10T11:01:36Z) - Tensor Network Kalman Filtering for Large-Scale LS-SVMs [17.36231167296782]
最小二乗支援ベクトルマシンは非線形回帰と分類に使用される。
テンソルネットワークとカルマンフィルタに基づくフレームワークは、要求されるメモリと計算の複雑さを軽減する。
その結果,提案手法は高い性能を達成でき,代替手法が計算能力に欠ける場合には特に有用であることがわかった。
論文 参考訳（メタデータ） (2021-10-26T08:54:03Z) - Unsharp Mask Guided Filtering [53.14430987860308]
本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。
アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。
我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
論文 参考訳（メタデータ） (2021-06-02T19:15:34Z)
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。