論文の概要: Online Bayesian Experimental Design for Partially Observed Dynamical Systems

• arxiv url: http://arxiv.org/abs/2511.04403v1
• Date: Thu, 06 Nov 2025 14:29:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.455178
• Title: Online Bayesian Experimental Design for Partially Observed Dynamical Systems
• Title（参考訳）: 部分的に観測された力学系のオンラインベイズ実験設計
• Authors: Sara Pérez-Vieites, Sahel Iqbal, Simo Särkkä, Dominik Baumann,
• Abstract要約: 本研究では,部分可観測性を持つ動的システムにおけるデータ収集を最適化するための基本的フレームワークを開発する。 我々のフレームワークは、部分観測可能性とオンライン推論の両方をうまく処理します。
• 参考スコア（独自算出の注目度）: 10.774974720491565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian experimental design (BED) provides a principled framework for optimizing data collection, but existing approaches do not apply to crucial real-world settings such as dynamical systems with partial observability, where only noisy and incomplete observations are available. These systems are naturally modeled as state-space models (SSMs), where latent states mediate the link between parameters and data, making the likelihood -- and thus information-theoretic objectives like the expected information gain (EIG) -- intractable. In addition, the dynamical nature of the system requires online algorithms that update posterior distributions and select designs sequentially in a computationally efficient manner. We address these challenges by deriving new estimators of the EIG and its gradient that explicitly marginalize latent states, enabling scalable stochastic optimization in nonlinear SSMs. Our approach leverages nested particle filters (NPFs) for efficient online inference with convergence guarantees. Applications to realistic models, such as the susceptible-infected-recovered (SIR) and a moving source location task, show that our framework successfully handles both partial observability and online computation.
• Abstract（参考訳）: ベイズ実験設計(BED)は、データ収集を最適化するための原則的なフレームワークを提供するが、既存のアプローチは、ノイズや不完全な観測しかできない部分的な可観測性を持つ動的システムのような重要な現実世界の設定には適用されない。 これらのシステムは自然に状態空間モデル(SSM)としてモデル化され、潜在状態はパラメータとデータの間のリンクを仲介し、期待される情報ゲイン(EIG)のような情報理論の目的を抽出できる。 さらに、システムの動的性質は、後続分布を更新し、逐次的に計算効率良く設計を選定するオンラインアルゴリズムを必要とする。 本研究では, 非線形SSMにおける拡張確率最適化を実現するために, EIGの新しい推定器とその勾配を導出することによって, これらの課題に対処する。 提案手法はネスト粒子フィルタ(NPF)を利用して収束保証を伴う効率的なオンライン推論を行う。 SIR(Susceptible-infected-Recovered)や移動ソース配置タスクといった現実的なモデルへの応用は、我々のフレームワークが部分観測可能性とオンライン計算の両方をうまく処理できることを示します。

関連論文リスト

• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Nonparametric Filtering, Estimation and Classification using Neural Jump ODEs [3.437372707846067]
  ニューラルジャンプODEは、ニューラルジャンプODEによる観測と新しい観測の到着時のジャンプの間の条件予測をモデル化する。 彼らは、不規則かつ部分的な観察を伴う設定において、完全なデータ駆動オンライン予測の有効性を実証した。 この作業は、フレームワークをインプット・アウトプット・システムに拡張し、オンラインフィルタリングと分類における直接的なアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-12-04T12:31:15Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)

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。