論文の概要: An Ensemble Score Filter for Tracking High-Dimensional Nonlinear
Dynamical Systems
- arxiv url: http://arxiv.org/abs/2309.00983v1
- Date: Sat, 2 Sep 2023 16:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 23:58:01.588865
- Title: An Ensemble Score Filter for Tracking High-Dimensional Nonlinear
Dynamical Systems
- Title(参考訳): 高次元非線形力学系追跡のためのアンサンブルスコアフィルタ
- Authors: Feng Bao, Zezhong Zhang, Guannan Zhang
- Abstract要約: 既存のフィルタリング手法の大きな欠点は、高次元および高非線形問題を扱う際の低い精度である。
本研究では,高次元非線形フィルタ問題を高精度に解くためのアンサンブルスコアフィルタ(EnSF)を提案する。
EnSFは、非常に高次元のLorenzシステムを確実に追跡する素晴らしいパフォーマンスを提供する。
- 参考スコア(独自算出の注目度): 12.36064367319084
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose an ensemble score filter (EnSF) for solving high-dimensional
nonlinear filtering problems with superior accuracy. A major drawback of
existing filtering methods, e.g., particle filters or ensemble Kalman filters,
is the low accuracy in handling high-dimensional and highly nonlinear problems.
EnSF attacks this challenge by exploiting the score-based diffusion model,
defined in a pseudo-temporal domain, to characterizing the evolution of the
filtering density. EnSF stores the information of the recursively updated
filtering density function in the score function, in stead of storing the
information in a set of finite Monte Carlo samples (used in particle filters
and ensemble Kalman filters). Unlike existing diffusion models that train
neural networks to approximate the score function, we develop a training-free
score estimation that uses mini-batch-based Monte Carlo estimator to directly
approximate the score function at any pseudo-spatial-temporal location, which
provides sufficient accuracy in solving high-dimensional nonlinear problems as
well as saves tremendous amount of time spent on training neural networks.
Another essential aspect of EnSF is its analytical update step, gradually
incorporating data information into the score function, which is crucial in
mitigating the degeneracy issue faced when dealing with very high-dimensional
nonlinear filtering problems. High-dimensional Lorenz systems are used to
demonstrate the performance of our method. EnSF provides surprisingly
impressive performance in reliably tracking extremely high-dimensional Lorenz
systems (up to 1,000,000 dimension) with highly nonlinear observation
processes, which is a well-known challenging problem for existing filtering
methods.
- Abstract(参考訳): 本稿では,高精度な非線形フィルタ問題を解くためのアンサンブルスコアフィルタ(ensf)を提案する。
粒子フィルタやアンサンブルカルマンフィルタといった既存のフィルタリング方法の大きな欠点は、高次元および高非線形問題を扱う際の精度が低いことである。
ensfは、擬似時間領域で定義されるスコアベースの拡散モデルを利用して、フィルタリング密度の進化を特徴付けることで、この課題に挑戦する。
ensfは、有限モンテカルロサンプル群(粒子フィルタおよびアンサンブルカルマンフィルタで使用される)に情報を格納する代わりに、再帰的に更新されたフィルタリング密度関数の情報をスコア関数に格納する。
既存のニューラルネットワークをトレーニングしてスコア関数を近似する拡散モデルとは異なり、ミニバッチベースのモンテカルロ推定器を用いて任意の擬似空間-時間的位置におけるスコア関数を直接近似するトレーニングフリースコア推定法を開発し、高次元非線形問題を解くのに十分な精度と、ニューラルネットワークのトレーニングに費やされる膨大な時間を削減する。
ensfのもう一つの重要な側面は、データ情報を徐々にスコア関数に組み込む解析的な更新ステップであり、非常に高次元の非線形フィルタリング問題を扱う際に直面する縮退問題を緩和する上で重要である。
本手法の性能を示すために高次元ロレンツシステムを用いる。
ensfは、非常に高次元のlorenz系(最大1,000,000次元)を非常に非線形な観察プロセスで確実に追跡する驚くべき性能を提供する。
関連論文リスト
- The Deep Latent Space Particle Filter for Real-Time Data Assimilation with Uncertainty Quantification [0.669618059970013]
本稿では,ニューラルネットワークに基づくサロゲートモデルを用いた新しい粒子フィルタ手法であるDeep Latent Space Particle Filter(D-LSPF)を提案する。
D-LSPFは高忠実度粒子フィルタより桁違いに速く、代替手法より3~5倍速く、精度は桁違いに高い。
論文 参考訳(メタデータ) (2024-06-04T10:59:54Z) - Outlier-robust Kalman Filtering through Generalised Bayes [45.51425214486509]
我々は、状態空間モデルにおけるオンラインフィルタリングのための新しい、確実に堅牢でクローズドなベイズ更新ルールを導出する。
提案手法は, より少ない計算コストで, 他の頑健なフィルタリング手法に適合し, 性能が向上する。
論文 参考訳(メタデータ) (2024-05-09T09:40:56Z) - 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) - Nonlinear Filtering with Brenier Optimal Transport Maps [4.745059103971596]
本稿では,非線形フィルタリング,すなわち動的システムの状態の条件分布の計算の問題について述べる。
従来の逐次重要再サンプリング(SIR)粒子フィルタは、縮退確率や高次元状態を含むシナリオにおいて、基本的な制限に悩まされる。
本稿では,Brenier 最適輸送 (OT) マップを,現在の状態の分布から次のステップにおける後部分布へ推定する手法について検討する。
論文 参考訳(メタデータ) (2023-10-21T01:34:30Z) - 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) - Batch Normalization Tells You Which Filter is Important [49.903610684578716]
我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。
CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2021-12-02T12:04:59Z) - KalmanNet: Neural Network Aided Kalman Filtering for Partially Known
Dynamics [84.18625250574853]
KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。
我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
論文 参考訳(メタデータ) (2021-07-21T12:26:46Z)
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。