論文の概要: Redesigning the ensemble Kalman filter with a dedicated model of epistemic uncertainty

• arxiv url: http://arxiv.org/abs/2411.18864v1
• Date: Thu, 28 Nov 2024 02:11:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:19:16.776906
• Title: Redesigning the ensemble Kalman filter with a dedicated model of epistemic uncertainty
• Title（参考訳）: てんかん不確実性の専用モデルによるアンサンブルカルマンフィルタの再設計
• Authors: Chatchuea Kimchaiwong, Jeremie Houssineau, Adam M. Johansen,
• Abstract要約: 本稿では、この設定のために設計された確率アンサンブルカルマンフィルタを導入し、その特性の一部を特徴付ける。 小さなサンプルサイズで優れた性能を示し、真のアレタリック不確実性を扱う場合であっても、所定のサンプルサイズで標準アンサンブルカルマンフィルタより優れる。
• 参考スコア（独自算出の注目度）: 1.024113475677323
• License:
• Abstract: The problem of incorporating information from observations received serially in time is widespread in the field of uncertainty quantification. Within a probabilistic framework, such problems can be addressed using standard filtering techniques. However, in many real-world problems, some (or all) of the uncertainty is epistemic, arising from a lack of knowledge, and is difficult to model probabilistically. This paper introduces a possibilistic ensemble Kalman filter designed for this setting and characterizes some of its properties. Using possibility theory to describe epistemic uncertainty is appealing from a philosophical perspective, and it is easy to justify certain heuristics often employed in standard ensemble Kalman filters as principled approaches to capturing uncertainty within it. The possibilistic approach motivates a robust mechanism for characterizing uncertainty which shows good performance with small sample sizes, and can outperform standard ensemble Kalman filters at given sample size, even when dealing with genuinely aleatoric uncertainty.
• Abstract（参考訳）: 不確実性定量化の分野では、連続的に受信された観測情報から情報を取り入れるという問題が広く行われている。 確率的フレームワーク内では、そのような問題は標準的なフィルタリング手法を用いて解決することができる。 しかし、現実世界の多くの問題において、不確実性のいくつか(または全て)は、知識の欠如から生じる疫学であり、確率論的にモデル化することは困難である。 本稿では、この設定のために設計された確率アンサンブルカルマンフィルタを導入し、その特性の一部を特徴付ける。 認識的不確実性を記述する可能性理論は哲学的観点からも魅力的であり、標準アンサンブルのカルマンフィルタでよく用いられるある種のヒューリスティックを、その内部の不確実性を捉えるための原則化されたアプローチとして正当化することは容易である。 確率論的アプローチは、小さなサンプルサイズで優れた性能を示す不確実性を特徴づける堅牢なメカニズムを動機付け、真にアレタリックな不確実性を扱う場合でも、与えられたサンプルサイズで標準アンサンブルカルマンフィルタより優れる。

関連論文リスト

• Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability [59.758009422067]
  線形状態空間モデルにおいて閉形式ガウス推論を行う独立なカルマンフィルタ層を提案する。 効率的な線形リカレント層と同様に、Kalmanフィルタ層は並列スキャンを使用してシーケンシャルデータを処理している。 実験により、不確実性推論が意思決定の鍵となる問題においてカルマンフィルタ層が優れており、他のステートフルモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-25T11:22:29Z)
• To Believe or Not to Believe Your LLM [51.2579827761899]
  大規模言語モデル(LLM)における不確実性定量化について検討する。 疫学的な不確実性が大きい場合にのみ確実に検出できる情報理論の指標を導出する。 定式化の利点を実証する一連の実験を行う。
  論文  参考訳（メタデータ） (2024-06-04T17:58:18Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Decision-Making Under Uncertainty: Beyond Probabilities [5.358161704743754]
  古典的な仮定は、確率はシステムの不確実性をすべて十分に捉えることができるというものである。 本稿では、この古典的解釈を超える不確実性に焦点を当てる。 離散モデルと連続モデルの両方に対していくつかの解法を示す。
  論文  参考訳（メタデータ） (2023-03-10T10:53:33Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Uncertainty in Data-Driven Kalman Filtering for Partially Known State-Space Models [84.18625250574853]
  本稿では,ハイブリッドモデルに基づくディープステートトラッキングアルゴリズムであるKalmanNetを用いて,不確実性の評価を行う。 誤差共分散行列は内部特性に基づいて不確実性の測定値として計算可能であることを示す。 システムダイナミクスが分かっている場合、KalmanNetは統計情報にアクセスせずにデータからマッピングを学習し、Kalmanフィルタに類似した不確実性を示す。
  論文  参考訳（メタデータ） (2021-10-10T08:52:18Z)
• Online Learning of the Kalman Filter with Logarithmic Regret [2.0305676256390934]
  高い確率で$mathrmpolylog(N)$の順序を後悔することは可能であり、$N$は収集された観測数である。 これは、将来の観測と過去の観測との概ね線形関係を利用するオンラインの最小二乗アルゴリズムを用いて達成される。
  論文  参考訳（メタデータ） (2020-02-12T18:31:31Z)

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。