論文の概要: Beyond Prior Limits: Addressing Distribution Misalignment in Particle Filtering

• arxiv url: http://arxiv.org/abs/2501.18501v1
• Date: Thu, 30 Jan 2025 17:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:15:48.842387
• Title: Beyond Prior Limits: Addressing Distribution Misalignment in Particle Filtering
• Title（参考訳）: 先行限界を超えて:粒子フィルタリングにおける分布の相違に対処する
• Authors: Yiwei Shi, Jingyu Hu, Yu Zhang, Mengyue Yang, Weinan Zhang, Cunjia Liu, Weiru Liu,
• Abstract要約: 粒子は動的システムの状態推定の基本的なツールであるが、その有効性は以前の分布の制約によって制限されることが多い。 本稿では, 粒子による適応拡散, 重量崩壊防止のためのエントロピー駆動の正規化, 動的サポート拡張のためのカーネルベースの摂動の3つの重要なイノベーションを含む拡散強化粒子フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 22.722446981864046
• License:
• Abstract: Particle filtering is a Bayesian inference method and a fundamental tool in state estimation for dynamic systems, but its effectiveness is often limited by the constraints of the initial prior distribution, a phenomenon we define as the Prior Boundary Phenomenon. This challenge arises when target states lie outside the prior's support, rendering traditional particle filtering methods inadequate for accurate estimation. Although techniques like unbounded priors and larger particle sets have been proposed, they remain computationally prohibitive and lack adaptability in dynamic scenarios. To systematically overcome these limitations, we propose the Diffusion-Enhanced Particle Filtering Framework, which introduces three key innovations: adaptive diffusion through exploratory particles, entropy-driven regularisation to prevent weight collapse, and kernel-based perturbations for dynamic support expansion. These mechanisms collectively enable particle filtering to explore beyond prior boundaries, ensuring robust state estimation for out-of-boundary targets. Theoretical analysis and extensive experiments validate framework's effectiveness, indicating significant improvements in success rates and estimation accuracy across high-dimensional and non-convex scenarios.
• Abstract（参考訳）: 粒子フィルタリングは、動的系の状態推定におけるベイズ的推論法であり、基本的なツールであるが、その有効性は初期境界現象である初期分布の制約によって制限されることが多い。 この課題は、目標状態が以前のサポート外にある場合に起こり、従来の粒子フィルタリング法が正確な推定に不適当である。 非有界前駆体やより大きな粒子集合のような手法が提案されているが、計算的に禁止され、動的シナリオへの適応性が欠如している。 本稿では,これらの制限を体系的に克服するために,探索粒子による適応拡散,重量崩壊防止のためのエントロピー駆動型正規化,動的サポート拡張のためのカーネルベースの摂動という,3つの重要なイノベーションを導入するDiffusion-Enhanced Particle Filtering Frameworkを提案する。 これらのメカニズムにより、粒子フィルタリングは以前の境界を越えて探索することが可能となり、境界外ターゲットに対する堅牢な状態推定が保証される。 理論解析と広範な実験によりフレームワークの有効性が検証され、高次元および非凸シナリオにおける成功率と推定精度が大幅に向上したことを示す。

関連論文リスト

• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Resampling-free Particle Filters in High-dimensions [8.878254892409005]
  高次元状態空間では、粒子フィルタは真の後部分布の正確な表現を妨げる「粒子除去」のような課題に直面している。 本稿では, 従来の再サンプリング工程を省くことにより, 粒子除去を緩和する新しい再サンプリングフリー粒子フィルタを提案する。 理論的には,提案したフィルタは,高次元文脈における所望の後方分布のほぼ正確な表現を提供する。
  論文  参考訳（メタデータ） (2024-04-21T15:53:06Z)
• Normalizing Flow-based Differentiable Particle Filters [16.164656853940464]
  本研究では, 動的モデル, 提案分布, 測定モデルを構築するために, 条件正規化フローを用いた微分可能な粒子フィルタリングフレームワークを提案する。 提案するフィルタの理論的特性を導出し, 一連の数値実験により, フローベース微分可能な粒子フィルタの性能の正規化を評価する。
  論文  参考訳（メタデータ） (2024-03-03T12:23:17Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Affine Invariant Ensemble Transform Methods to Improve Predictive Uncertainty in Neural Networks [3.9748528039819977]
  我々は、アンサンブルカルマンフィルタの適切な拡張を用いて、ロジスティック回帰のためのベイズ推定を行う問題を考察する。 2つの相互作用粒子系が、近似した後方からのサンプルを提案し、相互作用粒子系の定量的収束速度を平均場限界に証明した。
  論文  参考訳（メタデータ） (2023-09-09T10:01:51Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• 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)
• Adaptive quantum state tomography with iterative particle filtering [7.943024117353315]
  本稿では、任意の多ビット状態に対する非適応ベイズスキームと比較して、忠実性のスケーリングを改善する適応型粒子フィルタベースのQSTプロトコルを提案する。 IBM量子デバイスにおける数値的な例と実装は、任意の量子状態に対する性能の向上を実証している。
  論文  参考訳（メタデータ） (2020-10-24T11:00:33Z)
• 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。

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。