論文の概要: Neural Bayesian Filtering

• arxiv url: http://arxiv.org/abs/2510.03614v1
• Date: Sat, 04 Oct 2025 01:58:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.154344
• Title: Neural Bayesian Filtering
• Title（参考訳）: ニューラルベイズフィルタ
• Authors: Christopher Solinas, Radovan Haluska, David Sychrovsky, Finbarr Timbers, Nolan Bard, Michael Buro, Martin Schmid, Nathan R. Sturtevant, Michael Bowling,
• Abstract要約: 隠れ状態上の分布を維持するアルゴリズムであるNeural Bayesian Filtering (NBF)を提案する。 NBF は信念を固定長埋め込みベクトルにマッピングする。 我々は3つの部分観測可能な環境における状態推定タスクにおけるNBFを検証する。
• 参考スコア（独自算出の注目度）: 16.97781646490984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Neural Bayesian Filtering (NBF), an algorithm for maintaining distributions over hidden states, called beliefs, in partially observable systems. NBF is trained to find a good latent representation of the beliefs induced by a task. It maps beliefs to fixed-length embedding vectors, which condition generative models for sampling. During filtering, particle-style updates compute posteriors in this embedding space using incoming observations and the environment's dynamics. NBF combines the computational efficiency of classical filters with the expressiveness of deep generative models - tracking rapidly shifting, multimodal beliefs while mitigating the risk of particle impoverishment. We validate NBF in state estimation tasks in three partially observable environments.
• Abstract（参考訳）: 我々は,部分的に観測可能なシステムにおいて,信念と呼ばれる隠れ状態上の分布を維持するアルゴリズムであるNeural Bayesian Filtering (NBF)を提案する。 NBFはタスクによって引き起こされる信念の優れた潜在表現を見つけるために訓練される。 信念を固定長埋め込みベクトルにマッピングし、サンプリングのための生成モデルを条件とする。 フィルターの間、粒子スタイルの更新は、入ってくる観測と環境のダイナミクスを使って、この埋め込み空間の後方を計算した。 NBFは、古典的なフィルタの計算効率と深層生成モデルの表現性を組み合わせる。 我々は3つの部分観測可能な環境における状態推定タスクにおけるNBFを検証する。

関連論文リスト

• Flow Matching for Efficient and Scalable Data Assimilation [11.620677508344981]
  データ同化は、ノイズ観測から力学系の状態を推定する。 アンサンブルスコアフィルタ(EnSF)のような最近の生成モデルは、高次元非線形設定においてDAを改善するが、計算コストが高い。 本研究では,アンサンブルフローフィルタ(EnFF)を導入した。これはFMベースのフレームワークで,サンプリングを高速化し,フロー設計の柔軟性を提供する。
  論文  参考訳（メタデータ） (2025-08-18T19:00:45Z)
• 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)
• Memory-efficient particle filter recurrent neural network for object localization [53.68402839500528]
  本研究では、オブジェクトの局所化問題を解決するために、新しいメモリ効率のリカレントニューラルネットワーク(RNN)アーキテクチャを提案する。 古典的粒子フィルタの概念をGRU RNNアーキテクチャと組み合わせる。 我々の実験では、mePFRNNモデルは、考慮された競合相手よりも正確なローカライゼーションを提供し、訓練されたパラメータを少なくする。
  論文  参考訳（メタデータ） (2023-10-02T19:41:19Z)
• Recurrent Neural Networks and Universal Approximation of Bayesian Filters [11.911817333905331]
  最適フィルタリングのための一般的なリカレントニューラルネットワークフレームワークを定式化する。 一般の非コンパクト領域におけるフィルタリングのための近似誤差境界を提供する。 また、長い時間性能を保証する強い時間一様近似誤差バウンダリについても検討する。
  論文  参考訳（メタデータ） (2022-11-01T09:01:44Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• 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)
• 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。