論文の概要: Dynamic Correction of Erroneous State Estimates via Diffusion Bayesian Exploration

• arxiv url: http://arxiv.org/abs/2512.03102v1
• Date: Mon, 01 Dec 2025 22:08:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:14:50.286825
• Title: Dynamic Correction of Erroneous State Estimates via Diffusion Bayesian Exploration
• Title（参考訳）: 拡散ベイズ探査による誤った状態推定の動的補正
• Authors: Yiwei Shi, Hongnan Ma, Mengyue Yang, Cunjia Liu, Weiru Liu,
• Abstract要約: 緊急対応やその他の高い社会的応用において、早期状態推定は下流の結果を批判的に形作る。 制限された情報やバイアスのある情報に基づくこれらの初期状態の見積もりは、現実と深刻なミスマッチする可能性がある。 本稿では,早期状態推定誤差の原理的リアルタイム補正を可能にする拡散駆動型ベイズ探索フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.087312455936134
• License:
• Abstract: In emergency response and other high-stakes societal applications, early-stage state estimates critically shape downstream outcomes. Yet, these initial state estimates-often based on limited or biased information-can be severely misaligned with reality, constraining subsequent actions and potentially causing catastrophic delays, resource misallocation, and human harm. Under the stationary bootstrap baseline (zero transition and no rejuvenation), bootstrap particle filters exhibit Stationarity-Induced Posterior Support Invariance (S-PSI), wherein regions excluded by the initial prior remain permanently unexplorable, making corrections impossible even when new evidence contradicts current beliefs. While classical perturbations can in principle break this lock-in, they operate in an always-on fashion and may be inefficient. To overcome this, we propose a diffusion-driven Bayesian exploration framework that enables principled, real-time correction of early state estimation errors. Our method expands posterior support via entropy-regularized sampling and covariance-scaled diffusion. A Metropolis-Hastings check validates proposals and keeps inference adaptive to unexpected evidence. Empirical evaluations on realistic hazardous-gas localization tasks show that our approach matches reinforcement learning and planning baselines when priors are correct. It substantially outperforms classical SMC perturbations and RL-based methods under misalignment, and we provide theoretical guarantees that DEPF resolves S-PSI while maintaining statistical rigor.
• Abstract（参考訳）: 緊急対応やその他の高い社会的応用において、早期状態推定は下流の結果を批判的に形作る。 しかし、制限された情報や偏見に基づくこれらの初期状態の見積もりは、現実と重大に不一致し、その後の行動を制限し、破滅的な遅延、資源の過失、人的被害を引き起こす可能性がある。 定常ブートストラップベースライン(ゼロ遷移と再生なし)の下では、ブートストラップ粒子フィルタは静止性誘導後サポート不変性(S-PSI)を示す。 古典的な摂動は原則としてこのロックインを壊すことができるが、常にオンで動作し、非効率である可能性がある。 これを解決するために,拡散駆動型ベイズ探索フレームワークを提案し,初期状態推定誤差の原理的,リアルタイムな補正を可能にする。 提案手法は,エントロピー規則化サンプリングと共分散スケール拡散による後部支持を拡大する。 メトロポリス・ハスティングスは提案を検証し、予期せぬ証拠に推論を適応させ続ける。 現実的有害ガスローカライゼーションタスクの実証評価は,事前の精度が正しければ,本手法が強化学習と計画ベースラインに合致することを示している。 従来のSMC摂動法やRL法よりも大幅に優れており,統計的厳密性を維持しながらDECFがS-PSIを解消する理論的保証を提供する。

関連論文リスト

• Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
  我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。 これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
  論文  参考訳（メタデータ） (2025-11-28T07:15:40Z)
• A Gentle Introduction to Conformal Time Series Forecasting [0.0]
  このレビューは、非交換可能データに対処するために特別に設計された共形予測手法の最近の進歩をまとめるものである。 まず,弱依存性条件下での分割等角予測に対する有限サンプル保証を導出する理論的基礎を提示する。 次に、キャリブレーションデータを再重み付けしたり、残留分布を動的に更新したり、ターゲットのカバレッジレベルをリアルタイムで調整したりすることで、シリアル依存を軽減する最先端のアプローチを調査し、分類する。
  論文  参考訳（メタデータ） (2025-11-17T17:12:51Z)
• Econometric Inference for High Dimensional Predictive Regressions [4.658398919599387]
  我々は、IVX分離LASSO(XDlasso)と呼ばれる新しい推定器を提案する。 XDlassoは同時に収縮バイアスを除去する。 我々は、利益-価格比に基づく米国株のリターン予測可能性と、失業率を用いた米国のインフレ予測可能性について検討する。
  論文  参考訳（メタデータ） (2024-09-16T06:41:58Z)
• DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting [20.657502066923023]
  降水流速計は、気象科学とスマートシティの応用の両方に役立つ、現在の観測に基づいてレーダエコーのシーケンスを予測する重要なタスクである。 従来の研究では、決定論的モデリングや確率論的モデリングの観点から、この問題に対処している。 本稿では,大域的決定論的な動きと残留メカニズムによる局所的変動の観点から,カオス的進化的降水系を分解・モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-12-11T11:26:32Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• Deep Anti-Regularized Ensembles provide reliable out-of-distribution uncertainty quantification [4.750521042508541]
  深層アンサンブルは、しばしばトレーニングドメインの外で過度に信頼された見積を返す。 トレーニングデータに適合する大きな重みを持つネットワークの集合は、これらの2つの目的を満たす可能性が高いことを示す。 提案手法の理論的枠組みを導出し,提案手法を「水充填問題」とみなすことができることを示す。
  論文  参考訳（メタデータ） (2023-04-08T15:25:12Z)
• Proposal Distribution Calibration for Few-Shot Object Detection [65.19808035019031]
  few-shot object detection (FSOD)では、重度のサンプル不均衡を軽減するために、2段階の訓練パラダイムが広く採用されている。 残念ながら、極端なデータ不足は、提案の分布バイアスを増大させ、RoIヘッドが新しいクラスに進化するのを妨げます。 本稿では,RoIヘッドのローカライゼーションと分類能力を高めるために,単純かつ効果的な提案分布キャリブレーション(PDC)手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T05:09:11Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。