論文の概要: Adversarial Transform Particle Filters

• arxiv url: http://arxiv.org/abs/2502.06165v1
• Date: Mon, 10 Feb 2025 05:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:31:04.022183
• Title: Adversarial Transform Particle Filters
• Title（参考訳）: 逆変換粒子フィルタ
• Authors: Chengxin Gong, Wei Lin, Cheng Zhang,
• Abstract要約: 粒子フィルタ(PF)とアンサンブルカルマンフィルタ(EnKF)は状態空間モデルにおける近似推論に広く用いられている。 本稿では, PF と EnKF の強みを組み合わせた新しいフィルタフレームワークである Adversarial Transform Particle Filter (ATPF) を提案する。
• 参考スコア（独自算出の注目度）: 11.330617592263744
• License:
• Abstract: The particle filter (PF) and the ensemble Kalman filter (EnKF) are widely used for approximate inference in state-space models. From a Bayesian perspective, these algorithms represent the prior by an ensemble of particles and update it to the posterior with new observations over time. However, the PF often suffers from weight degeneracy in high-dimensional settings, whereas the EnKF relies on linear Gaussian assumptions that can introduce significant approximation errors. In this paper, we propose the Adversarial Transform Particle Filter (ATPF), a novel filtering framework that combines the strengths of the PF and the EnKF through adversarial learning. Specifically, importance sampling is used to ensure statistical consistency as in the PF, while adversarially learned transformations, such as neural networks, allow accurate posterior matching for nonlinear and non-Gaussian systems. In addition, we incorporate kernel methods to ease optimization and leverage regularization techniques based on optimal transport for better statistical properties and numerical stability. We provide theoretical guarantees, including generalization bounds for both the analysis and forecast steps of ATPF. Extensive experiments across various nonlinear and non-Gaussian scenarios demonstrate the effectiveness and practical advantages of our method.
• Abstract（参考訳）: 粒子フィルタ(PF)とアンサンブルカルマンフィルタ(EnKF)は状態空間モデルにおける近似推論に広く用いられている。 ベイズの観点からは、これらのアルゴリズムは粒子の集合によって先行を表現し、時間とともに新しい観測によって後部へと更新する。 しかしながら、PFは高次元設定において重縮退に悩まされることが多いが、EnKFは重要な近似誤差をもたらすような線形ガウス仮定に依存している。 本稿では, PF と EnKF の強みを組み合わせた新しいフィルタフレームワークである Adversarial Transform Particle Filter (ATPF) を提案する。 特に、重要サンプリングは、PFのように統計的に整合性を確保するために使用され、ニューラルネットワークのような逆学習された変換は、非線形および非ガウス系の正確な後方マッチングを可能にする。 さらに,最適化を容易にするためにカーネル手法を導入し,統計特性と数値安定性を改善するために最適なトランスポートに基づく正規化手法を活用する。 ATPFの分析および予測ステップの一般化バウンダリを含む理論的保証を提供する。 様々な非線形および非ガウスシナリオに対する実験により,本手法の有効性と実用性を示す。

関連論文リスト

• Filtered Markovian Projection: Dimensionality Reduction in Filtering for Stochastic Reaction Networks [0.9599644507730105]
  反応ネットワーク(SRN)によってモデル化された実用的な問題における典型的な課題は、少数の状態変数しか動的に観察できないことである。 本稿では,前向き問題に対して最初に導入されたマルコフ射影(MP)に基づく次元削減手法を提案する。 この手法は, 粒子フィルタと分散の低減と低次元空間におけるフィルタ方程式の解法を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-02-11T19:45:40Z)
• Variance-Reducing Couplings for Random Features [57.73648780299374]
  ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。 ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。 パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
  論文  参考訳（メタデータ） (2024-05-26T12:25:09Z)
• 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)
• 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)
• Exact nonlinear state estimation [0.0]
  地質学におけるデータ同化法の大部分はガウスの仮定に基づいている。 非パラメトリックな粒子ベースDAアルゴリズムは精度が優れているが、高次元モデルへの応用は依然として運用上の課題となっている。 本稿では,DA手法の既存のギャップを埋めようとする新しい非線形推定理論を紹介する。
  論文  参考訳（メタデータ） (2023-10-17T03:44:29Z)
• 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)
• 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)
• Differentiable Particle Filtering via Entropy-Regularized Optimal Transport [19.556744028461004]
  原理微分可能な粒子フィルタを導入し、収束結果を提供します。 最適輸送理論を活用し, 原理的微分可能な粒子フィルタを導入し, 収束結果を提供する。
  論文  参考訳（メタデータ） (2021-02-15T21:05:33Z)
• Innovative And Additive Outlier Robust Kalman Filtering With A Robust Particle Filter [68.8204255655161]
  提案するCE-BASSは, 粒子混合カルマンフィルタであり, 革新的および付加的両方の外れ値に対して堅牢であり, 隠蔽状態の分布における多モード性を完全に捉えることができる。 さらに、CE-BASSは過去の状態を再サンプリングすることで、トレンドの変化のような観測ですぐには見えない革新的な外れ値を扱うことができる。
  論文  参考訳（メタデータ） (2020-07-07T07:11:09Z)

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。