Fugu-MT 論文翻訳(概要): Regime Learning for Differentiable Particle Filters

論文の概要: Regime Learning for Differentiable Particle Filters

arxiv url: http://arxiv.org/abs/2405.04865v3
Date: Wed, 12 Jun 2024 10:05:11 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 22:14:47.867293
Title: Regime Learning for Differentiable Particle Filters
Title（参考訳）: 微分可能な粒子フィルタのレジーム学習
Authors: John-Joseph Brady, Yuhui Luo, Wenwu Wang, Victor Elvira, Yunpeng Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 19.35021771863565
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Differentiable particle filters are an emerging class of models that combine sequential Monte Carlo techniques with the flexibility of neural networks to perform state space inference. This paper concerns the case where the system may switch between a finite set of state-space models, i.e. regimes. No prior approaches effectively learn both the individual regimes and the switching process simultaneously. In this paper, we propose the neural network based regime learning differentiable particle filter (RLPF) to address this problem. We further design a training procedure for the RLPF and other related algorithms. We demonstrate competitive performance compared to the previous state-of-the-art algorithms on a pair of numerical experiments.
Abstract（参考訳）: 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。本稿では、システムが有限の状態空間モデル、すなわちレジームを切り替える場合について述べる。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。我々はさらに、RLPFや他の関連アルゴリズムのトレーニング手順を設計する。 2つの数値実験において,従来の最先端アルゴリズムと比較して,競合性能を実証した。

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)
Permutation Invariant Learning with High-Dimensional Particle Filters [8.878254892409005]
深層モデルのシークエンシャルラーニングは、しばしば破滅的な忘れ物や可塑性の喪失といった課題に悩まされる。本研究では,高次元粒子フィルタに基づく新しい置換不変学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-10-30T05:06:55Z)
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)
Learning Differentiable Particle Filter on the Fly [18.466658684464598]
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。
論文参考訳（メタデータ） (2023-12-10T17:54:40Z)
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)
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)
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)
Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。我々の手法は古典的DPベースの推論に広く適用できる。また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文参考訳（メタデータ） (2021-12-07T11:26:41Z)
Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文参考訳（メタデータ） (2021-09-20T06:07:14Z)
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。