論文の概要: Differentiable Bootstrap Particle Filters for Regime-Switching Models
- arxiv url: http://arxiv.org/abs/2302.10319v1
- Date: Mon, 20 Feb 2023 21:14:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 17:10:30.162141
- Title: Differentiable Bootstrap Particle Filters for Regime-Switching Models
- Title(参考訳): レジームスイッチングモデルのための微分可能なブートストラップ粒子フィルタ
- Authors: Wenhan Li, Xiongjie Chen, Wenwu Wang, V\'ictor Elvira and Yunpeng Li
- Abstract要約: 現実世界のアプリケーションでは、状態力学と測定の両方が候補モデルのセットを切り替えることができる。
本稿では、状態空間モデルに対する新しい微分可能な粒子フィルタを提案する。
この手法は、未知の候補動的および測定モデルの集合を学習し、状態後部を追跡する。
- 参考スコア(独自算出の注目度): 43.03865620039904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differentiable particle filters are an emerging class of particle filtering
methods that use neural networks to construct and learn parametric state-space
models. In real-world applications, both the state dynamics and measurements
can switch between a set of candidate models. For instance, in target tracking,
vehicles can idle, move through traffic, or cruise on motorways, and
measurements are collected in different geographical or weather conditions.
This paper proposes a new differentiable particle filter for regime-switching
state-space models. The method can learn a set of unknown candidate dynamic and
measurement models and track the state posteriors. We evaluate the performance
of the novel algorithm in relevant models, showing its great performance
compared to other competitive algorithms.
- Abstract(参考訳): 微分可能な粒子フィルタは、ニューラルネットワークを用いてパラメトリック状態空間モデルを構築し、学習する新しい種類の粒子フィルタリング法である。
現実世界のアプリケーションでは、状態力学と測定の両方が候補モデルのセットを切り替えることができる。
例えば、目標追跡では、車両はアイドルしたり、交通を移動したり、高速道路を巡航したりすることができ、測度は異なる地理的または天候条件で収集される。
本稿では、状態空間モデルに対する新しい微分可能な粒子フィルタを提案する。
この手法は、未知の候補動的および測定モデルの集合を学習し、状態後部を追跡する。
本稿では,新しいアルゴリズムの性能を関連モデルで評価し,他の競合アルゴリズムと比較して優れた性能を示す。
関連論文リスト
- Normalising Flow-based Differentiable Particle Filters [19.09640071505051]
本稿では、(条件付き)正規化フローを用いて、その動的モデル、提案分布、測定モデルを構築する、微分可能な粒子フィルタリングフレームワークを提案する。
提案するフィルタの理論的特性を導出し, 一連の数値実験により, フローベース微分可能な粒子フィルタの性能の正規化を評価する。
論文 参考訳(メタデータ) (2024-03-03T12:23:17Z) - Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
論文 参考訳(メタデータ) (2024-02-19T15:48:55Z) - Differentially Private Gradient Flow based on the Sliced Wasserstein
Distance for Non-Parametric Generative Modeling [61.65137699747604]
確率測度空間におけるパラメータフリー勾配流に基づく、新しい微分プライベートな生成モデリング手法を提案する。
提案手法は,ジェネレータベースモデルと比較して,低プライバシー予算で高忠実度データを生成可能であることを示す。
論文 参考訳(メタデータ) (2023-12-13T15:47:30Z) - Learning Differentiable Particle Filter on the Fly [18.466658684464598]
微分可能な粒子フィルタは、シーケンシャルベイズ推論技術の新たなクラスである。
本稿では,データ到着時にモデルパラメータを更新できるように,微分可能な粒子フィルタのためのオンライン学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-10T17:54:40Z) - Automated classification of pre-defined movement patterns: A comparison
between GNSS and UWB technology [55.41644538483948]
リアルタイム位置情報システム(RTLS)は、人間の動きパターンからデータを収集することができる。
本研究の目的は、小さな領域における人間の動きパターンを分類する自動化された枠組みを設計し、評価することである。
論文 参考訳(メタデータ) (2023-03-10T14:46:42Z) - An overview of differentiable particle filters for data-adaptive
sequential Bayesian inference [19.09640071505051]
粒子フィルタ(PF)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。
新たなトレンドは、ニューラルネットワークを使用して粒子フィルタのコンポーネントを構築し、勾配降下によって最適化することである。
微分可能な粒子フィルタは複雑な高次元タスクにおいて逐次データに対する推論を行うための有望な計算ツールである。
論文 参考訳(メタデータ) (2023-02-19T18:03:53Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳(メタデータ) (2022-12-14T01:21:05Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳(メタデータ) (2021-07-27T08:59:39Z) - Differentiable Particle Filters through Conditional Normalizing Flow [6.230706386020833]
微分可能な粒子フィルタは、観測データから学習することで、動的および測定モデルを適応的に訓練する柔軟なメカニズムを提供する。
本稿では, 条件付き正規化フローを用いて, 微分可能な粒子フィルタの提案分布を構築する。
視覚的トラッキングタスクにおけるフローベース微分可能粒子フィルタの条件正規化性能を実演する。
論文 参考訳(メタデータ) (2021-07-01T14:31:27Z) - End-To-End Semi-supervised Learning for Differentiable Particle Filters [15.187145925738553]
ニューラルネットワークを粒子フィルタに組み込むことの最近の進歩は、実世界のアプリケーションに粒子フィルタを適用するために望ましい柔軟性を提供する。
このようなモデルを最適化する過去の努力は、実際に入手したり利用できなくなったりするのに費用がかかる真の状態の知識を必要とすることが多い。
本研究では,実状態の大部分が未知である場合の状態を推定し,擬似的様相関数の最大化に基づくエンドツーエンド学習目標を提案する。
論文 参考訳(メタデータ) (2020-11-11T13:10:11Z)
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。