論文の概要: Deep Variational Sequential Monte Carlo for High-Dimensional Observations

• arxiv url: http://arxiv.org/abs/2501.05982v1
• Date: Fri, 10 Jan 2025 14:10:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:26:21.847711
• Title: Deep Variational Sequential Monte Carlo for High-Dimensional Observations
• Title（参考訳）: 高次元観測のための深部変分連続モンテカルロ
• Authors: Wessel L. van Nierop, Nir Shlezinger, Ruud J. G. van Sloun,
• Abstract要約: この研究は、教師なし変分SMCの目的を利用して、ニューラルネットワークによる提案と遷移分布のパラメータ化を行う、微分可能な粒子フィルタを導入する。 実験結果から,本手法は高次元および部分的な観測から,難解なロレンツ誘引器の追跡において,基線よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 39.455729393887786
• License:
• Abstract: Sequential Monte Carlo (SMC), or particle filtering, is widely used in nonlinear state-space systems, but its performance often suffers from poorly approximated proposal and state-transition distributions. This work introduces a differentiable particle filter that leverages the unsupervised variational SMC objective to parameterize the proposal and transition distributions with a neural network, designed to learn from high-dimensional observations. Experimental results demonstrate that our approach outperforms established baselines in tracking the challenging Lorenz attractor from high-dimensional and partial observations. Furthermore, an evidence lower bound based evaluation indicates that our method offers a more accurate representation of the posterior distribution.
• Abstract（参考訳）: 逐次モンテカルロ (SMC) は非線形状態空間システムにおいて広く用いられているが、その性能はよく近似されていない提案と状態遷移分布に悩まされる。 この研究は、教師なし変分SMCの目的を利用して、ニューラルネットワークを用いて提案と遷移分布をパラメータ化し、高次元観測から学習するために設計された微分可能な粒子フィルタを導入する。 実験結果から,本手法は高次元および部分的な観測から,難解なロレンツ誘引器の追跡において,基線よりも優れていることが示された。 さらに,提案手法は後部分布のより正確な表現を提供することを示す。

関連論文リスト

• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• Variance Reduction of Resampling for Sequential Monte Carlo [0.0]
  再サンプリング方式は、シーケンシャルモンテカルロの低重量粒子を目標分布を表す高重量粒子に切り替える方法を提供する。 そこで本研究では,再サンプリングのための中央値エルゴディディティを持つ反復的決定論的領域を提案し,他の再サンプリング手法と比較して最も低い分散を実現した。
  論文  参考訳（メタデータ） (2023-09-10T17:25:43Z)
• Chebyshev Particles [0.0]
  まず、対象の後方分布を無限次元ユークリッド空間におけるサンプルの写像として考える。 重み付けされたリース分極量を最大化して、ペアの相互作用により、補正可能な部分多様体を識別する新しい基準を提案する。 我々は,合成データを用いた線形状態空間モデルと実世界のデータを用いた非線形ボラティリティモデルを用いたパラメータ推論実験により,高い性能を実現した。
  論文  参考訳（メタデータ） (2023-09-10T16:40:30Z)
• 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)
• Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
  正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。 一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
  論文  参考訳（メタデータ） (2022-02-23T06:11:49Z)
• The Application of Zig-Zag Sampler in Sequential Markov Chain Monte Carlo [4.278434189549703]
  高次元状態空間モデルでは、従来の粒子フィルタリング法は重縮退に苦しむ。 本稿では,MHカーネルを実装したSequential Makov Chian Monte Carloフレームワークの構築を提案する。 提案手法は,最先端のフィルタリング手法と比較して推定精度を向上し,受け入れ率を増加させることを示す。
  論文  参考訳（メタデータ） (2021-11-18T02:15:41Z)
• Variational Marginal Particle Filters [38.94802937100392]
  状態空間モデル(SSM)の変分推論は一般に難しいことが知られている。 最近の研究は、不偏連続モンテカルロ推定器からSSMの変動目標を導出することに焦点を当てている。 変動限界粒子フィルタ(VMPF)を提案する。
  論文  参考訳（メタデータ） (2021-09-30T13:55:16Z)
• Annealed Flow Transport Monte Carlo [91.20263039913912]
  Annealed Flow Transport (AFT) built on Annealed Importance Smpling (AIS) and Sequential Monte Carlo (SMC) AFTは、連続したターゲットに向かって粒子をプッシュするために順次学習されるNFに依存します。 AFTの人口バージョンの連続時間スケーリング限界は、Feynman--Kac測度によって与えられることを示した。
  論文  参考訳（メタデータ） (2021-02-15T12:05:56Z)
• Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
  ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。 本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。 本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
  論文  参考訳（メタデータ） (2021-02-04T02:21:08Z)

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。