論文の概要: Outlier-Insensitive Kalman Filtering Using NUV Priors

• arxiv url: http://arxiv.org/abs/2210.06083v1
• Date: Wed, 12 Oct 2022 11:00:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 13:34:12.664208
• Title: Outlier-Insensitive Kalman Filtering Using NUV Priors
• Title（参考訳）: NUVプリミティブを用いた外部感度カルマンフィルタ
• Authors: Shunit Truzman, Guy Revach, Nir Shlezinger, and Itzik Klein
• Abstract要約: 実際には、観測は外れ値によって破損し、カルマンフィルタ(KF)の性能を著しく損なう。 本研究では、各電位外乱を未知の分散確率変数(NUV)としてモデル化し、外乱に敏感なKFを提案する。 予測最大化(EM)と変動ロバスト性(AM)の両方を用いて、NUVs分散をオンラインで推定する。
• 参考スコア（独自算出の注目度）: 24.413595920205907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Kalman filter (KF) is a widely-used algorithm for tracking the latent state of a dynamical system from noisy observations. For systems that are well-described by linear Gaussian state space models, the KF minimizes the mean-squared error (MSE). However, in practice, observations are corrupted by outliers, severely impairing the KFs performance. In this work, an outlier-insensitive KF is proposed, where robustness is achieved by modeling each potential outlier as a normally distributed random variable with unknown variance (NUV). The NUVs variances are estimated online, using both expectation-maximization (EM) and alternating maximization (AM). The former was previously proposed for the task of smoothing with outliers and was adapted here to filtering, while both EM and AM obtained the same performance and outperformed the other algorithms, the AM approach is less complex and thus requires 40 percentage less run-time. Our empirical study demonstrates that the MSE of our proposed outlier-insensitive KF outperforms previously proposed algorithms, and that for data clean of outliers, it reverts to the classic KF, i.e., MSE optimality is preserved
• Abstract（参考訳）: カルマンフィルタ(kalman filter, kf)は、静かな観測から力学系の潜在状態を追跡するアルゴリズムである。 線型ガウス状態空間モデルでよく記述されている系では、KFは平均二乗誤差(MSE)を最小化する。 しかし実際には、観測は異常値によって破損し、KFの性能を著しく損なう。 本研究では、各電位外乱を未知の分散確率変数(NUV)としてモデル化し、ロバスト性を実現する外乱非感性KFを提案する。 予測最大化(EM)と交互最大化(AM)の両方を用いて、NUVの分散をオンラインで推定する。 前者は以前、外れ値のスムーズ化のために提案され、ここではフィルタリングに適応し、EMとAMは同じ性能を取得し、他のアルゴリズムよりも優れているが、AMアプローチはより複雑で、実行時間も40パーセント削減される。 我々の実証的研究は、提案した不感度なKFのMSEが以前提案したアルゴリズムよりも優れており、データクリーニングのためには古典的なKF、すなわちMSE最適性が保存されることを示した。

関連論文リスト

• Risk-Sensitive Diffusion for Perturbation-Robust Optimization [58.68233326265417]
  スコア関数を持つものよりも、雑音のあるサンプルが別の目的関数を発生させることで、モデルが誤って最適化されることが示される。 リスクベクトルによってパラメータ化された微分方程式(SDE)の一種であるリスク感受性SDEを導入する。 ノイズのあるサンプルがガウス摂動によって引き起こされる場合のみ、ゼロ不安定測度が達成可能であることを証明する。
  論文  参考訳（メタデータ） (2024-02-03T08:41:51Z)
• An adaptive ensemble filter for heavy-tailed distributions: tuning-free inflation and localization [0.3749861135832072]
  重尾は、非線形力学および観察過程から生じる分布をフィルタリングする一般的な特徴である。 本研究では,各状態と観測値の同時予測分布のサンプルから,前から後への更新を推定するアルゴリズムを提案する。 本稿では,新しいアンサンブルフィルタの利点について述べる。
  論文  参考訳（メタデータ） (2023-10-12T21:56:14Z)
• Outlier-Insensitive Kalman Filtering: Theory and Applications [29.37450052092755]
  本稿では,リニアカルマンフィルタの標準更新ステップの短い反復処理しか必要とせず,アウトリーチの有害な影響を軽減できるパラメータフリーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-18T06:33:28Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Using Kalman Filter The Right Way: Noise Estimation Is Not Optimal [46.556605821252276]
  kfの仮定を少しでも破っても、効果のあるノイズを著しく修正できることを示す。 KFの対称および正定値(SPD)パラメータに勾配に基づく最適化を効率的に適用する方法を提案する。
  論文  参考訳（メタデータ） (2021-04-06T08:59:15Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Revisiting Robust Model Fitting Using Truncated Loss [19.137291311347788]
  様々な2D/3D登録問題に新しいアルゴリズムを適用する。 RANSACと近似MC法を高い外れ値比で上回る。 新しいアルゴリズムは、特に高ノイズや外れ値において、最先端の登録手法と好意的に比較できる。
  論文  参考訳（メタデータ） (2020-08-04T14:10:41Z)
• Least Squares Regression with Markovian Data: Fundamental Limits and Algorithms [69.45237691598774]
  マルコフ連鎖からデータポイントが依存しサンプリングされる最小二乗線形回帰問題について検討する。 この問題を$tau_mathsfmix$という観点から、鋭い情報理論のミニマックス下限を確立する。 本稿では,経験的リプレイに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-16T04:26:50Z)

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。