論文の概要: Learning to be Smooth: An End-to-End Differentiable Particle Smoother
- arxiv url: http://arxiv.org/abs/2502.10546v1
- Date: Fri, 14 Feb 2025 20:26:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:13:50.948967
- Title: Learning to be Smooth: An End-to-End Differentiable Particle Smoother
- Title（参考訳）: スムースになるための学習: エンド・ツー・エンドの微分可能な粒子・スムーザー
- Authors: Ali Younis, Erik B. Sudderth,
- Abstract要約: 本研究では, 粒子スムースナーの訓練において, 長時間連続する勾配の低分散伝播の枠組みを開発する。
我々の"2-filter'は、時間とともに前方と後方に伝播する粒子の流れを統合する。
得られた混合密度粒子のスムース化は、最先端粒子フィルタよりもかなり正確である。
- 参考スコア（独自算出の注目度）: 6.024667647886018
- License:
- Abstract: For challenging state estimation problems arising in domains like vision and robotics, particle-based representations attractively enable temporal reasoning about multiple posterior modes. Particle smoothers offer the potential for more accurate offline data analysis by propagating information both forward and backward in time, but have classically required human-engineered dynamics and observation models. Extending recent advances in discriminative training of particle filters, we develop a framework for low-variance propagation of gradients across long time sequences when training particle smoothers. Our "two-filter'' smoother integrates particle streams that are propagated forward and backward in time, while incorporating stratification and importance weights in the resampling step to provide low-variance gradient estimates for neural network dynamics and observation models. The resulting mixture density particle smoother is substantially more accurate than state-of-the-art particle filters, as well as search-based baselines, for city-scale global vehicle localization from real-world videos and maps.
- Abstract（参考訳）: 視覚やロボティクスなどの領域で発生する状態推定の問題に対して、粒子ベースの表現は、複数の後部モードに関する時間的推論を魅力的に実現している。
粒子スムーダは、前方と後方の両方の情報を伝播することで、より正確なオフラインデータ解析の可能性を秘めているが、古典的には人間工学のダイナミックスと観察モデルを必要とする。
粒子フィルタの識別訓練の最近の進歩を進展させ, 粒子スムースナーの訓練において, 長期連続する勾配の低分散伝播のための枠組みを構築した。
我々の" two-filter' のスムーズさは、時間的に前後に伝播する粒子ストリームを統合し、再サンプリングステップに成層化と重みを組み込むことで、ニューラルネットワークのダイナミクスや観測モデルに対する低分散勾配推定を提供する。
その結果得られる混合密度粒子のスムーズ化は、実際のビデオや地図から都市規模のグローバルな車両のローカライゼーションのための最先端の粒子フィルタや検索ベースラインよりもかなり正確である。
関連論文リスト
- Learning state and proposal dynamics in state-space models using differentiable particle filters and neural networks [25.103069515802538]
本稿では,ニューラルネットワークを用いて粒子フィルタの提案分布と遷移分布を学習する新しい手法であるStateMixNNを提案する。
本手法は,ログライクリフをターゲットとしてトレーニングされており,観測シリーズのみを必要とする。
提案手法は, 最先端技術と比較して隠れ状態の回復を著しく改善し, 非線形シナリオの改善を図っている。
論文 参考訳（メタデータ） (2024-11-23T19:30:56Z) - Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。
本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。
車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
論文 参考訳（メタデータ） (2024-06-01T21:54:01Z) - Differentiable and Stable Long-Range Tracking of Multiple Posterior Modes [1.534667887016089]
我々は、学習データを活用し、潜在対象状態における不確実性の粒子ベース表現を識別的に学習する。
提案手法は精度を劇的に向上すると同時に,複数のトレーニング実行における安定性も向上する。
論文 参考訳（メタデータ） (2024-04-12T19:33:52Z) - An overview of differentiable particle filters for data-adaptive
sequential Bayesian inference [19.09640071505051]
粒子フィルタ(PF)は非線形逐次状態推定問題を解くための効率的なメカニズムを提供する。
新たなトレンドは、ニューラルネットワークを使用して粒子フィルタのコンポーネントを構築し、勾配降下によって最適化することである。
微分可能な粒子フィルタは複雑な高次元タスクにおいて逐次データに対する推論を行うための有望な計算ツールである。
論文 参考訳（メタデータ） (2023-02-19T18:03:53Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Particle clustering in turbulence: Prediction of spatial and statistical
properties with deep learning [6.91821181311687]
等方性流体乱流の周期領域におけるEpsteinドラッグ状態における粒子の動力学をシミュレートする。
我々はU-Netディープラーニングモデルを訓練し、対応する流体場を入力として与えられた粒子密度と速度場の格子表現を予測する。
以上の結果から, 深層学習は, 乱流内の粒子群集の予測において, 直接数値シミュレーションを補完する可能性が示唆された。
論文 参考訳（メタデータ） (2022-10-05T15:46:28Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - 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) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳（メタデータ） (2022-03-03T15:13:29Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳（メタデータ） (2021-05-08T03:50:45Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。