論文の概要: PyDPF: A Python Package for Differentiable Particle Filtering

• arxiv url: http://arxiv.org/abs/2510.25693v2
• Date: Tue, 04 Nov 2025 15:33:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 14:27:17.372734
• Title: PyDPF: A Python Package for Differentiable Particle Filtering
• Title（参考訳）: PyDPF: 微分可能な粒子フィルタリングのためのPythonパッケージ
• Authors: John-Joseph Brady, Benjamin Cox, Yunpeng Li, Víctor Elvira,
• Abstract要約: 本稿では、人気のあるPyTorchフレームワーク上に構築された統一APIを用いた、いくつかの微分可能な粒子フィルタの実装について述べる。 我々は,既存のいくつかの研究から実験を再現し,DPFが状態空間モデリングにおけるいくつかの共通課題にどのように適用できるかを実証することによって,我々の枠組みを検証する。
• 参考スコア（独自算出の注目度）: 14.95594615415264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-space models (SSMs) are a widely used tool in time series analysis. In the complex systems that arise from real-world data, it is common to employ particle filtering (PF), an efficient Monte Carlo method for estimating the hidden state corresponding to a sequence of observations. Applying particle filtering requires specifying both the parametric form and the parameters of the system, which are often unknown and must be estimated. Gradient-based optimisation techniques cannot be applied directly to standard particle filters, as the filters themselves are not differentiable. However, several recently proposed methods modify the resampling step to make particle filtering differentiable. In this paper, we present an implementation of several such differentiable particle filters (DPFs) with a unified API built on the popular PyTorch framework. Our implementation makes these algorithms easily accessible to a broader research community and facilitates straightforward comparison between them. We validate our framework by reproducing experiments from several existing studies and demonstrate how DPFs can be applied to address several common challenges with state space modelling.
• Abstract（参考訳）: 状態空間モデル(SSM)は時系列解析において広く使われているツールである。 実世界のデータから生じる複雑なシステムでは、観測列に対応する隠蔽状態を推定するための効率的なモンテカルロ法である粒子フィルタリング(PF)を用いるのが一般的である。 粒子フィルタリングを適用するには、パラメトリック形式とシステムのパラメータの両方を指定する必要がある。 勾配に基づく最適化技術は、フィルタ自体が微分不可能であるため、標準粒子フィルタに直接適用することはできない。 しかし、最近提案されたいくつかの手法は、粒子フィルタリングを識別可能にするために再サンプリングのステップを変更している。 本稿では、人気のあるPyTorchフレームワーク上に構築された統一APIを用いて、そのような微分可能な粒子フィルタ(DPF)の実装について述べる。 我々の実装により、これらのアルゴリズムはより広い研究コミュニティに容易にアクセスでき、それらの比較を容易にすることができる。 我々は,既存のいくつかの研究から実験を再現し,DPFが状態空間モデリングにおけるいくつかの共通課題にどのように適用できるかを実証することによって,我々の枠組みを検証する。

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。 提案手法では, 投射モデルの跳躍強度を推定し, 低次元空間におけるフィルタリング方程式を解くために, 分散分散粒子フィルタを用いる。
  論文  参考訳（メタデータ） (2025-02-11T19:45:40Z)
• 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)
• 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)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• 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)
• 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)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• 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。