論文の概要: Filtering with Randomised Observations: Sequential Learning of Relevant Subspace Properties and Accuracy Analysis

• arxiv url: http://arxiv.org/abs/2509.04867v1
• Date: Fri, 05 Sep 2025 07:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.507046
• Title: Filtering with Randomised Observations: Sequential Learning of Relevant Subspace Properties and Accuracy Analysis
• Title（参考訳）: ランダム化観測によるフィルタリング:関連部分空間特性の逐次学習と精度解析
• Authors: Nazanin Abedini, Jana de Wiljes, Svetlana Dubinkina,
• Abstract要約: 連続アンサンブルカルマンフィルタの信号追跡性能について, 固定的, ランダム化し, 適応的に変動する部分的観測条件下で検討した。 本稿では,境界フィルタリング誤差を保証するのに十分な状態部分空間の次元を適応的に決定する逐次学習方式を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State estimation that combines observational data with mathematical models is central to many applications and is commonly addressed through filtering methods, such as ensemble Kalman filters. In this article, we examine the signal-tracking performance of a continuous ensemble Kalman filtering under fixed, randomised, and adaptively varying partial observations. Rigorous bounds are established for the expected signal-tracking error relative to the randomness of the observation operator. In addition, we propose a sequential learning scheme that adaptively determines the dimension of a state subspace sufficient to ensure bounded filtering error, by balancing observation complexity with estimation accuracy. Beyond error control, the adaptive scheme provides a systematic approach to identifying the appropriate size of the filter-relevant subspace of the underlying dynamics.
• Abstract（参考訳）: 観測データと数理モデルを組み合わせた状態推定は、多くの応用の中心であり、アンサンブルカルマンフィルタのようなフィルタリング手法によって一般的に扱われる。 本稿では,連続アンサンブルカルマンフィルタの信号追跡性能について検討する。 観測演算子のランダム性に対して、期待信号追跡誤差に対して厳密な境界を確立する。 さらに,観測複雑性と推定精度のバランスをとることで,境界フィルタリング誤差を確保するのに十分な状態部分空間の次元を適応的に決定する逐次学習方式を提案する。 エラー制御以外にも、アダプティブスキームは、基礎となるダイナミクスのフィルタ関連部分空間の適切なサイズを特定するための体系的なアプローチを提供する。

関連論文リスト

• Recursive KalmanNet: Deep Learning-Augmented Kalman Filtering for State Estimation with Consistent Uncertainty Quantification [0.0]
  本稿では,正確な状態推定を目的としたKalman-filter-informed Recurrent Neural NetworkであるRecursive KalmanNetを紹介する。 非ガウス的ホワイトノイズを用いた実験では,従来のカルマンフィルタと既存の最先端ディープラーニングに基づく推定器の両方で性能が向上することが示された。
  論文  参考訳（メタデータ） (2025-06-13T10:11:32Z)
• Learning Spatially Adaptive $\ell_1$-Norms Weights for Convolutional Synthesis Regularization [1.1699566743796068]
  我々は、事前学習された畳み込みフィルタのファミリーを考察し、スパース特徴写像に適用された空間的に変化するパラメータを深くパラメータ化して推定する。 提案手法は,後者の手法で視覚的,定量的に比較可能な結果が得られ,同時に高い解釈が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T15:38:11Z)
• Long-time accuracy of ensemble Kalman filters for chaotic and machine-learned dynamical systems [2.5245286741414663]
  本稿では,アンサンブルカルマンフィルタの長時間精度を確立する。 我々の理論は、部分的に観察されたカオス力学系の幅広いクラスをカバーしている。 シュロゲート力学を用いたアンサンブルカルマンフィルタの長時間精度を検証した。
  論文  参考訳（メタデータ） (2024-12-18T20:35:21Z)
• 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)
• Convolutional Filtering on Sampled Manifolds [122.06927400759021]
  サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。 本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
  論文  参考訳（メタデータ） (2022-11-20T19:09:50Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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)
• 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)

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。