論文の概要: Normalising Flow-based Differentiable Particle Filters

• arxiv url: http://arxiv.org/abs/2403.01499v1
• Date: Sun, 3 Mar 2024 12:23:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 21:05:37.102761
• Title: Normalising Flow-based Differentiable Particle Filters
• Title（参考訳）: 流動型微分可能な粒子フィルタの正規化
• Authors: Xiongjie Chen, Yunpeng Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.09640071505051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, there has been a surge of interest in incorporating neural networks into particle filters, e.g. differentiable particle filters, to perform joint sequential state estimation and model learning for non-linear non-Gaussian state-space models in complex environments. Existing differentiable particle filters are mostly constructed with vanilla neural networks that do not allow density estimation. As a result, they are either restricted to a bootstrap particle filtering framework or employ predefined distribution families (e.g. Gaussian distributions), limiting their performance in more complex real-world scenarios. In this paper we present a differentiable particle filtering framework that uses (conditional) normalising flows to build its dynamic model, proposal distribution, and measurement model. This not only enables valid probability densities but also allows the proposed method to adaptively learn these modules in a flexible way, without being restricted to predefined distribution families. We derive the theoretical properties of the proposed filters and evaluate the proposed normalising flow-based differentiable particle filters' performance through a series of numerical experiments.
• Abstract（参考訳）: 近年,複雑な環境下での非線形非ガウス状態空間モデルに対する連続的状態推定とモデル学習を行うために,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への関心が高まっている。 既存の微分可能な粒子フィルタは主に密度推定を許さないバニラニューラルネットワークで構築されている。 結果として、それらはブートストラップ粒子フィルタリングフレームワークに制限されるか、より複雑な実世界のシナリオで性能を制限する(ガウス分布など)事前定義された分散ファミリを採用するかのどちらかである。 本稿では,(条件付き)正規化フローを用いて動的モデル,提案分布,計測モデルを構築するための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。 これにより、有効確率密度が可能であるだけでなく、事前に定義された分布列に制限されることなく、これらのモジュールを柔軟な方法で適応的に学習することができる。 提案するフィルタの理論的性質を導出し, 数値実験により, 流動型微分性粒子フィルタの性能評価を行った。

関連論文リスト

• 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)
• 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)
• 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)
• Understanding the Covariance Structure of Convolutional Filters [86.0964031294896]
  最近では、ConvMixerやConvNeXtのようなViTにインスパイアされた畳み込みネットワークは、注目すべき構造を持つ大カーネル深度畳み込みを使用している。 まず,このような学習フィルタの共分散行列が高度に構造化されていることを観測し,より大規模なネットワークを効果的に初期化するために,小さなネットワークから計算した共分散が用いられることを発見した。
  論文  参考訳（メタデータ） (2022-10-07T15:59:13Z)
• Continuous-time Particle Filtering for Latent Stochastic Differential Equations [37.51802583388233]
  本稿では,粒子フィルタを連続時間領域に拡張した連続潜時粒子フィルタを提案する。 本研究では, 連続潜時粒子フィルタが, 学習した変動後部に依存した推論手法の汎用的なプラグイン代替として利用できることを示す。
  論文  参考訳（メタデータ） (2022-09-01T01:05:31Z)
• 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)
• 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)
• When is Particle Filtering Efficient for Planning in Partially Observed Linear Dynamical Systems? [60.703816720093016]
  本稿では, 逐次計画における粒子フィルタリングの効率性について検討する。 我々は、粒子フィルタリングに基づくポリシーの長期報酬が正確な推測に基づいてそれに近いように、必要な粒子の数に縛り付けることができる。 このテクニックは、他のシーケンシャルな意思決定問題に有効であると考えています。
  論文  参考訳（メタデータ） (2020-06-10T17:43:43Z)

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。