論文の概要: Optimal Transport-based Nonlinear Filtering in High-dimensional Settings
- arxiv url: http://arxiv.org/abs/2310.13886v1
- Date: Sat, 21 Oct 2023 01:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 04:37:58.668199
- Title: Optimal Transport-based Nonlinear Filtering in High-dimensional Settings
- Title(参考訳): 高次元設定における最適輸送に基づく非線形フィルタ
- Authors: Mohammad Al-Jarrah, Niyizhen Jin, Bamdad Hosseini, Amirhossein
Taghvaei
- Abstract要約: 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対処する。
提案手法は, 非線形フィルタリングの最適トランスポート解釈に基づいて, シミュレーションに基づく, 可能性のないアルゴリズムを実現する。
我々の定式化により、ニューラルネットワークの近似能力を利用して、複雑かつマルチモーダルな分布をモデル化できる。
- 参考スコア(独自算出の注目度): 4.745059103971596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the problem of nonlinear filtering, i.e., computing the
conditional distribution of the state of a stochastic dynamical system given a
history of noisy partial observations. The primary focus is on scenarios
involving degenerate likelihoods or high-dimensional states, where traditional
sequential importance resampling (SIR) particle filters face the weight
degeneracy issue. Our proposed method builds on an optimal transport
interpretation of nonlinear filtering, leading to a simulation-based and
likelihood-free algorithm that estimates the Brenier optimal transport map from
the current distribution of the state to the distribution at the next time
step. Our formulation allows us to harness the approximation power of neural
networks to model complex and multi-modal distributions and employ stochastic
optimization algorithms to enhance scalability. Extensive numerical experiments
are presented that compare our method to the SIR particle filter and the
ensemble Kalman filter, demonstrating the superior performance of our method in
terms of sample efficiency, high-dimensional scalability, and the ability to
capture complex and multi-modal distributions.
- Abstract(参考訳): 本稿では, 非線形フィルタリング, すなわち, 雑音のある部分的な観測履歴を与えられた確率力学系の状態の条件分布を計算する問題に対処する。
主な焦点は縮退確率や高次元状態を含むシナリオであり、従来のシーケンシャル・シーケンシャル・リサンプリング(SIR)粒子フィルタが重縮退問題に直面している。
提案手法は, 非線形フィルタリングの最適トランスポート解釈に基づいて構築され, シミュレーションに基づく確率自由なアルゴリズムにより, 状態の現在の分布から次のステップにおける分布への最適トランスポートマップを推定する。
この定式化により、ニューラルネットワークの近似パワーを利用して複雑なマルチモーダル分布をモデル化し、拡張性を高めるために確率的最適化アルゴリズムを活用できる。
本手法をSIR粒子フィルタとアンサンブルカルマンフィルタと比較し,サンプル効率,高次元拡張性,複雑・多モード分布の捕捉能力の観点から,本手法の優れた性能を実証した。
関連論文リスト
- Filtered Markovian Projection: Dimensionality Reduction in Filtering for Stochastic Reaction Networks [0.9599644507730105]
反応ネットワーク(SRN)によってモデル化された実用的な問題における典型的な課題は、少数の状態変数しか動的に観察できないことである。
本稿では,前向き問題に対して最初に導入されたマルコフ射影(MP)に基づく次元削減手法を提案する。
この手法は, 粒子フィルタと分散の低減と低次元空間におけるフィルタ方程式の解法を組み合わせたものである。
論文 参考訳(メタデータ) (2025-02-11T19:45:40Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳(メタデータ) (2024-05-18T15:59:41Z) - 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) - An Ensemble Score Filter for Tracking High-Dimensional Nonlinear Dynamical Systems [10.997994515823798]
本研究では,高次元非線形フィルタ問題に対するアンサンブルスコアフィルタ(EnSF)を提案する。
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既存の拡散モデルとは異なり、トレーニング不要スコア推定を開発する。
EnSFは、最先端のLocal Ensemble Transform Kalman Filter法と比較して、驚くべきパフォーマンスを提供する。
論文 参考訳(メタデータ) (2023-09-02T16:48:02Z) - 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) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - 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) - 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。