論文の概要: Computational Doob's $h$-transforms for Online Filtering of Discretely
Observed Diffusions
- arxiv url: http://arxiv.org/abs/2206.03369v1
- Date: Tue, 7 Jun 2022 15:03:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 18:49:35.088374
- Title: Computational Doob's $h$-transforms for Online Filtering of Discretely
Observed Diffusions
- Title(参考訳): 離散拡散のオンラインフィルタリングのための計算Doobの$h$-transforms
- Authors: Nicolas Chopin, Andras Fulop, Jeremy Heng, Alexandre H. Thiery
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 65.74069050283998
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper is concerned with online filtering of discretely observed
nonlinear diffusion processes. Our approach is based on the fully adapted
auxiliary particle filter, which involves Doob's $h$-transforms that are
typically intractable. We propose a computational framework to approximate
these $h$-transforms by solving the underlying backward Kolmogorov equations
using nonlinear Feynman-Kac formulas and neural networks. The methodology
allows one to train a locally optimal particle filter prior to the
data-assimilation procedure. Numerical experiments illustrate that the proposed
approach can be orders of magnitude more efficient than the bootstrap particle
filter in the regime of highly informative observations, when the observations
are extreme under the model, and if the state dimension is large.
- Abstract(参考訳): 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。
私たちのアプローチは、doobの$h$-transformsを含む完全に適応した補助粒子フィルタをベースにしています。
非線形ファインマン・カック公式とニューラルネットワークを用いて、下位コルモゴロフ方程式を解いて、これらの$h$変換を近似する計算フレームワークを提案する。
この手法により、データ同化手順の前に局所最適粒子フィルタを訓練することができる。
数値実験により, モデルの下で観測が極端に大きい場合や, 状態次元が大きい場合には, ブートストラップ粒子フィルタよりもはるかに効率がよいことを示す。
関連論文リスト
- An overview of differentiable particle filters for data-adaptive
sequential Bayesian inference [12.161649672131286]
粒子フィルタは非線形逐次状態推定問題を解くための効率的なメカニズムを提供する。
粒子フィルタの設計における新たなトレンドは、微分可能な粒子フィルタ(DPF)である。
論文 参考訳(メタデータ) (2023-02-19T18:03:53Z) - 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) - An energy-based deep splitting method for the nonlinear filtering
problem [0.0]
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。
論文 参考訳(メタデータ) (2022-03-31T16:26:54Z) - 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) - Machine learning-based conditional mean filter: a generalization of the
ensemble Kalman filter for nonlinear data assimilation [42.60602838972598]
スパース観測に基づく非線形ダイナミクスを持つ高次元非ガウス状態モデルを追跡する機械学習ベースのアンサンブル条件付き平均フィルタ(ML-EnCMF)を提案する。
提案手法は条件付き期待値に基づいて開発され,機械学習(ML)技術とアンサンブル法を組み合わせて数値的に実装されている。
論文 参考訳(メタデータ) (2021-06-15T06:40:32Z) - Innovative And Additive Outlier Robust Kalman Filtering With A Robust
Particle Filter [68.8204255655161]
提案するCE-BASSは, 粒子混合カルマンフィルタであり, 革新的および付加的両方の外れ値に対して堅牢であり, 隠蔽状態の分布における多モード性を完全に捉えることができる。
さらに、CE-BASSは過去の状態を再サンプリングすることで、トレンドの変化のような観測ですぐには見えない革新的な外れ値を扱うことができる。
論文 参考訳(メタデータ) (2020-07-07T07:11:09Z) - 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) - Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。
以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。
所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文 参考訳(メタデータ) (2020-05-06T07:41:22Z) - 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。