論文の概要: Differentiable and Stable Long-Range Tracking of Multiple Posterior Modes
- arxiv url: http://arxiv.org/abs/2404.08789v1
- Date: Fri, 12 Apr 2024 19:33:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 18:42:32.689746
- Title: Differentiable and Stable Long-Range Tracking of Multiple Posterior Modes
- Title（参考訳）: 複数の後部モードの微分可能・安定長線追跡
- Authors: Ali Younis, Erik Sudderth,
- Abstract要約: 我々は、学習データを活用し、潜在対象状態における不確実性の粒子ベース表現を識別的に学習する。
提案手法は精度を劇的に向上すると同時に,複数のトレーニング実行における安定性も向上する。
- 参考スコア（独自算出の注目度）: 1.534667887016089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Particle filters flexibly represent multiple posterior modes nonparametrically, via a collection of weighted samples, but have classically been applied to tracking problems with known dynamics and observation likelihoods. Such generative models may be inaccurate or unavailable for high-dimensional observations like images. We instead leverage training data to discriminatively learn particle-based representations of uncertainty in latent object states, conditioned on arbitrary observations via deep neural network encoders. While prior discriminative particle filters have used heuristic relaxations of discrete particle resampling, or biased learning by truncating gradients at resampling steps, we achieve unbiased and low-variance gradient estimates by representing posteriors as continuous mixture densities. Our theory and experiments expose dramatic failures of existing reparameterization-based estimators for mixture gradients, an issue we address via an importance-sampling gradient estimator. Unlike standard recurrent neural networks, our mixture density particle filter represents multimodal uncertainty in continuous latent states, improving accuracy and robustness. On a range of challenging tracking and robot localization problems, our approach achieves dramatic improvements in accuracy, while also showing much greater stability across multiple training runs.
- Abstract（参考訳）: 粒子フィルタは、重み付けされたサンプルの集合を通して、非パラメトリックに複数の後部モードを柔軟に表現するが、古典的には既知の力学や観測可能性の問題を追尾するために応用されている。
このような生成モデルは、画像のような高次元の観測では不正確または不可能である。
その代わりに、トレーニングデータを活用して、ディープニューラルネットワークエンコーダによる任意の観測に基づいて、潜在オブジェクト状態における不確実性の粒子ベース表現を識別的に学習する。
従来の分別粒子フィルタでは, 離散粒子再サンプリングのヒューリスティック緩和や, 再サンプリング段階における勾配の切り離しによるバイアス学習が用いられてきたが, 後方を連続的な混合密度として表現することで, 偏りのない低分散勾配推定が達成されている。
我々の理論と実験は、混合勾配に対する既存のパラメータ化に基づく推定器の劇的な故障を明らかにしており、これは重要サンプリング勾配推定器によって解決される問題である。
通常のリカレントニューラルネットワークとは異なり、我々の混合密度粒子フィルタは連続潜時状態におけるマルチモーダル不確実性を表現し、精度とロバスト性を向上させる。
ロボットのローカライゼーションやトラッキングの難易度の問題に対して,本手法は精度を劇的に向上させるとともに,複数のトレーニング実行における安定性も向上する。
関連論文リスト
- Learning to be Smooth: An End-to-End Differentiable Particle Smoother [6.024667647886018]
本研究では, 粒子スムースナーの訓練において, 長時間連続する勾配の低分散伝播の枠組みを開発する。
我々の"2-filter'は、時間とともに前方と後方に伝播する粒子の流れを統合する。
得られた混合密度粒子のスムース化は、最先端粒子フィルタよりもかなり正確である。
論文 参考訳（メタデータ） (2025-02-14T20:26:54Z) - 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) - Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。
本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。
車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
論文 参考訳（メタデータ） (2024-06-01T21:54:01Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳（メタデータ） (2024-01-17T07:58:18Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳（メタデータ） (2023-05-31T15:33:16Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - 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) - Jump-Diffusion Langevin Dynamics for Multimodal Posterior Sampling [3.4483987421251516]
本研究では, 複合メトロポリス法とランゲヴィン法(Langevin sample method)の合成および実データに対するジャンプ拡散法(Jump Diffusion)に類似した性能について検討した。
その結果, 純勾配系およびサンプリング系において, 混合サンプリングジャンプの慎重な校正が有意に優れていることが判明した。
論文 参考訳（メタデータ） (2022-11-02T17:35:04Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Model discovery in the sparse sampling regime [0.0]
深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。
その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。
我々は合成集合と実験集合の両方について主張する。
論文 参考訳（メタデータ） (2021-05-02T06:27:05Z) - Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。
そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。
勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
論文 参考訳（メタデータ） (2020-06-04T21:51:21Z)
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。