論文の概要: Pathspace Kalman Filters with Dynamic Process Uncertainty for Analyzing Time-course Data

• arxiv url: http://arxiv.org/abs/2402.04498v2
• Date: Mon, 1 Apr 2024 21:58:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 08:49:40.006440
• Title: Pathspace Kalman Filters with Dynamic Process Uncertainty for Analyzing Time-course Data
• Title（参考訳）: 時系列データ解析のための動的プロセス不確かさを有するパススペースカルマンフィルタ
• Authors: Chaitra Agrahar, William Poole, Simone Bianco, Hana El-Samad,
• Abstract要約: そこで我々はPathspace Kalman Filter (PKF) を開発した。 このアルゴリズムの応用は、内部力学モデルがデータから時間依存的に逸脱する時間窓を自動的に検出することである。 PKFは、平均二乗誤差を数桁下げる合成データセットにおいて、従来のKF法よりも優れていることを数値的に示す。
• 参考スコア（独自算出の注目度）: 4.350285695981938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kalman Filter (KF) is an optimal linear state prediction algorithm, with applications in fields as diverse as engineering, economics, robotics, and space exploration. Here, we develop an extension of the KF, called a Pathspace Kalman Filter (PKF) which allows us to a) dynamically track the uncertainties associated with the underlying data and prior knowledge, and b) take as input an entire trajectory and an underlying mechanistic model, and using a Bayesian methodology quantify the different sources of uncertainty. An application of this algorithm is to automatically detect temporal windows where the internal mechanistic model deviates from the data in a time-dependent manner. First, we provide theorems characterizing the convergence of the PKF algorithm. Then, we numerically demonstrate that the PKF outperforms conventional KF methods on a synthetic dataset lowering the mean-squared-error by several orders of magnitude. Finally, we apply this method to biological time-course dataset involving over 1.8 million gene expression measurements.
• Abstract（参考訳）: KF (Kalman Filter) は最適線形状態予測アルゴリズムであり、工学、経済学、ロボット工学、宇宙探査などの分野に応用されている。 ここで、我々は、パススペースカルマンフィルタ(PKF)と呼ばれるKFの拡張を開発する。 a) 基礎となるデータ及び先行知識に関連する不確実性を動的に追跡し、 b) 軌跡全体と基礎となる力学モデルとを入力とし、ベイズ法を用いて異なる不確実性の源を定量化する。 このアルゴリズムの応用は、内部力学モデルがデータから時間依存的に逸脱する時間窓を自動的に検出することである。 まず、PKFアルゴリズムの収束を特徴付ける定理を提案する。 そして、PKFは平均二乗誤差を数桁下げる合成データセット上で、従来のKF法よりも優れていることを数値的に示す。 最後に、この手法を、180万以上の遺伝子発現測定を含む生物学的時系列データセットに適用する。

関連論文リスト

• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• Deep Kalman Filters Can Filter [9.131190818372474]
  ディープカルマンフィルタ(ディープカルマンろく、英: Deep Kalman filters、DKF)は、シーケンシャルデータからガウス確率測度を生成するニューラルネットワークモデルである。 DKFはカルマンフィルタにインスパイアされるが、フィルター問題と具体的な理論的関係は欠如している。 連続時間DKFは、非マルコフおよび条件付きガウス信号プロセスの幅広いクラスで条件法則を実装可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-30T14:58:12Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• 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)
• Gaussian process regression and conditional Karhunen-Lo\'{e}ve models for data assimilation in inverse problems [68.8204255655161]
  偏微分方程式モデルにおけるデータ同化とパラメータ推定のためのモデル逆アルゴリズムCKLEMAPを提案する。 CKLEMAP法は標準的なMAP法に比べてスケーラビリティがよい。
  論文  参考訳（メタデータ） (2023-01-26T18:14:12Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Deep learning-enhanced ensemble-based data assimilation for high-dimensional nonlinear dynamical systems [0.0]
  Ensemble Kalman filter (EnKF) は高次元非線形力学系を含むアプリケーションで広く使われているDAアルゴリズムである。 本研究では,二層型擬似地栄養流システムに適用可能なハイブリッドアンサンブルカルマンフィルタ (H-EnKF) を提案する。
  論文  参考訳（メタデータ） (2022-06-09T23:34:49Z)
• COSMIC: fast closed-form identification from large-scale data for LTV systems [4.10464681051471]
  データから離散時間線形時変系を同定するための閉形式法を提案する。 我々は、最適性を保証するアルゴリズムを開発し、軌跡ごとに考慮されるインスタントの数を線形に増加させる複雑性を持つ。 本アルゴリズムは,彗星インターセプタミッション用の低忠実度および機能工学シミュレーションの両方に適用した。
  論文  参考訳（メタデータ） (2021-12-08T16:07:59Z)
• Higher Order Kernel Mean Embeddings to Capture Filtrations of Stochastic Processes [11.277354787690646]
  我々は、KMEの概念を一般化する高階カーネル平均埋め込みの族を紹介する。 我々は,高次最大平均誤差 (MMD) に対する経験的推定器を導出し,整合性を証明した。 我々は,実世界のキャリブレーションと最適な停止問題を解くことができるプロセス上に,普遍カーネル群を構築する。
  論文  参考訳（メタデータ） (2021-09-08T12:27:25Z)
• 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)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)

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。