論文の概要: Deep Bayesian Filter for Bayes-faithful Data Assimilation

• arxiv url: http://arxiv.org/abs/2405.18674v1
• Date: Wed, 29 May 2024 00:42:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 21:13:51.647607
• Title: Deep Bayesian Filter for Bayes-faithful Data Assimilation
• Title（参考訳）: ベイズ忠実データ同化のためのディープベイズフィルタ
• Authors: Yuta Tarumi, Keisuke Fukuda, Shin-ichi Maeda,
• Abstract要約: 非線形状態空間モデル(SSM)のデータ同化のためのディープベイズフィルタ(DBF)を提案する。 DBF は新しい潜伏変数 $h_t$ を新しい潜伏変数 (fancy'') 空間上に構築し、観測を $o_t$ に同化する。 実験の結果,DBFは様々なタスクや条件下でモデルベースアプローチや潜在同化手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 3.522950356329991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State estimation for nonlinear state space models is a challenging task. Existing assimilation methodologies predominantly assume Gaussian posteriors on physical space, where true posteriors become inevitably non-Gaussian. We propose Deep Bayesian Filtering (DBF) for data assimilation on nonlinear state space models (SSMs). DBF constructs new latent variables $h_t$ on a new latent (``fancy'') space and assimilates observations $o_t$. By (i) constraining the state transition on fancy space to be linear and (ii) learning a Gaussian inverse observation operator $q(h_t|o_t)$, posteriors always remain Gaussian for DBF. Quite distinctively, the structured design of posteriors provides an analytic formula for the recursive computation of posteriors without accumulating Monte-Carlo sampling errors over time steps. DBF seeks the Gaussian inverse observation operators $q(h_t|o_t)$ and other latent SSM parameters (e.g., dynamics matrix) by maximizing the evidence lower bound. Experiments show that DBF outperforms model-based approaches and latent assimilation methods in various tasks and conditions.
• Abstract（参考訳）: 非線形状態空間モデルの状態推定は難しい課題である。 既存の同化法は主に、真の後部が必然的にガウス的でないような物理的空間上のガウス的後部を仮定する。 非線形状態空間モデル(SSM)のデータ同化のためのディープベイズフィルタ(DBF)を提案する。 DBFは、新しい潜伏変数 $h_t$ を新しい潜伏変数 (``fancy'') 空間上に構築し、観測を $o_t$ に同化する。 周辺 一 空想空間上の状態遷移を直線的に制限すること (ii) ガウス逆観測作用素 $q(h_t|o_t)$ を学習すると、後部は常に DBF に対してガウス的である。 非常に特筆すべきは、後部の構造化設計は、時間ステップでモンテカルロサンプリングエラーを蓄積することなく、後部の再帰的な計算のための解析公式を提供することである。 DBF はガウス逆観測作用素 $q(h_t|o_t)$ とその他の潜在 SSM パラメータ(例えば、ダイナミックス行列)を求める。 実験の結果,DBFは様々なタスクや条件下でモデルベースアプローチや潜在同化手法よりも優れていた。

関連論文リスト

• Amortizing intractable inference in diffusion models for vision, language, and control [89.65631572949702]
  本稿では,p(mathbfx)$以前の拡散生成モデルとブラックボックス制約,あるいは関数$r(mathbfx)$からなるモデルにおいて,データ上の後部サンプルである $mathbfxsim prm post(mathbfx)propto p(mathbfx)r(mathbfx)$について検討する。 我々は,データフリー学習目標である相対軌道バランスの正しさを,サンプルから抽出した拡散モデルの訓練のために証明する。
  論文  参考訳（メタデータ） (2024-05-31T16:18:46Z)
• Gaussian Measures Conditioned on Nonlinear Observations: Consistency, MAP Estimators, and Simulation [6.5243065532527975]
  条件付き確率変数 $xi に対して、Fcirc phi(xi)$ の表現定理を与える。 また, 自然緩和の限界を考慮し, 条件尺度のモードを新たに導入する。
  論文  参考訳（メタデータ） (2024-05-21T18:38:14Z)
• 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)
• Gradient-flow adaptive importance sampling for Bayesian leave one out cross-validation with application to sigmoidal classification models [0.9895793818721335]
  勾配流誘導適応重要度サンプリング(IS)変換によるモンテカルロ近似の安定化 我々は、モデルヘッセンに関するヤコビ行列式に対して閉形式完全式を導出する。
  論文  参考訳（メタデータ） (2024-02-13T01:03:39Z)
• Dynamical System Identification, Model Selection and Model Uncertainty Quantification by Bayesian Inference [0.8388591755871735]
  本研究では,時系列データから動的システム同定を行うためのMAPフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-30T12:16:52Z)
• Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood Estimation for Latent Gaussian Models [69.22568644711113]
  我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。 理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。 シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
  論文  参考訳（メタデータ） (2023-06-05T21:08:34Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)

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。