論文の概要: Learning Differentiable Particle Filter on the Fly

• arxiv url: http://arxiv.org/abs/2312.05955v1
• Date: Sun, 10 Dec 2023 17:54:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 17:51:34.903657
• Title: Learning Differentiable Particle Filter on the Fly
• Title（参考訳）: フライ上の微分可能な粒子フィルタの学習
• Authors: Jiaxi Li, Xiongjie Chen, Yunpeng Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.466658684464598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differentiable particle filters are an emerging class of sequential Bayesian inference techniques that use neural networks to construct components in state space models. Existing approaches are mostly based on offline supervised training strategies. This leads to the delay of the model deployment and the obtained filters are susceptible to distribution shift of test-time data. In this paper, we propose an online learning framework for differentiable particle filters so that model parameters can be updated as data arrive. The technical constraint is that there is no known ground truth state information in the online inference setting. We address this by adopting an unsupervised loss to construct the online model updating procedure, which involves a sequence of filtering operations for online maximum likelihood-based parameter estimation. We empirically evaluate the effectiveness of the proposed method, and compare it with supervised learning methods in simulation settings including a multivariate linear Gaussian state-space model and a simulated object tracking experiment.
• 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状態空間モデルに成分を構成するシーケンシャルベイズ推論技術の新たなクラスである。 既存のアプローチは、主にオフラインの教師付きトレーニング戦略に基づいている。 これにより、モデルデプロイメントの遅延が発生し、得られたフィルタはテスト時間データの分散シフトに影響を受けやすい。 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。 技術的な制約は、オンライン推論設定に既知の真理状態情報がないことである。 我々は、オンラインモデル更新手順を構築するために、教師なしの損失を採用することで、この問題に対処する。 提案手法の有効性を実証的に評価し,多変量線形ガウス状態空間モデルと擬似物体追跡実験を含むシミュレーション設定における教師付き学習手法と比較した。

関連論文リスト

• Learning state and proposal dynamics in state-space models using differentiable particle filters and neural networks [25.103069515802538]
  本稿では,ニューラルネットワークを用いて粒子フィルタの提案分布と遷移分布を学習する新しい手法であるStateMixNNを提案する。 本手法は,ログライクリフをターゲットとしてトレーニングされており,観測シリーズのみを必要とする。 提案手法は, 最先端技術と比較して隠れ状態の回復を著しく改善し, 非線形シナリオの改善を図っている。
  論文  参考訳（メタデータ） (2024-11-23T19:30:56Z)
• Differentiable Interacting Multiple Model Particle Filtering [24.26220422457388]
  本研究では,パラメータ学習のための連続モンテカルロアルゴリズムを提案する。 我々は、微分可能な粒子フィルタリングの新たな枠組みを採用し、パラメータは勾配降下によって訓練される。 提案アルゴリズムの新たな理論的結果を確立し,従来の最先端アルゴリズムと比較して優れた数値性能を示す。
  論文  参考訳（メタデータ） (2024-10-01T12:05:18Z)
• Regime Learning for Differentiable Particle Filters [19.35021771863565]
  微分可能な粒子フィルタは、シーケンシャルモンテカルロ法とニューラルネットワークの柔軟性を組み合わせて状態空間推論を行う新しいモデルのクラスである。 個々の体制と切り替えプロセスの両方を同時に学習する事前のアプローチは存在しない。 本稿では,ニューラルネットワークを用いた微分可能粒子フィルタ(RLPF)を提案する。
  論文  参考訳（メタデータ） (2024-05-08T07:43:43Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• 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)
• Differentiable Bootstrap Particle Filters for Regime-Switching Models [43.03865620039904]
  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。
  論文  参考訳（メタデータ） (2023-02-20T21:14:27Z)
• 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)
• 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)
• 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)
• Multitarget Tracking with Transformers [21.81266872964314]
  マルチターゲットトラッキング(MTT)は、ノイズの多い測定を使用して未知のオブジェクトの数の状態を追跡する問題です。 本稿では,Transformer アーキテクチャに基づく MTT の高性能深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-04-01T19:14:55Z)

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。