論文の概要: Gaussian Variational Inference with Non-Gaussian Factors for State Estimation: A UWB Localization Case Study
- arxiv url: http://arxiv.org/abs/2512.19855v1
- Date: Mon, 22 Dec 2025 20:17:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-24 19:17:49.655199
- Title: Gaussian Variational Inference with Non-Gaussian Factors for State Estimation: A UWB Localization Case Study
- Title（参考訳）: 状態推定のための非ガウス因子を用いたガウス変分推定:UWB局所化ケーススタディ
- Authors: Andrew Stirling, Mykola Lukashchuk, Dmitry Bagaev, Wouter Kouw, James R. Forbes,
- Abstract要約: この文字は2つの相補的な方向における状態推定のために、正確にスパースなガウス変分推論(ESGVI)アルゴリズムを拡張する。
まず、ESGVI は行列リー群上での操作に一般化され、下層の群構造を尊重しながら配向成分を持つ状態の推定が可能となる。
第二に、非視線(NLOS)とマルチパス効果による超広帯域(UWB)ローカライゼーションにおいてよく見られるように、重み付きノイズ分布と歪付きノイズ分布に対応する要因が導入された。
- 参考スコア（独自算出の注目度）: 0.043496401697112684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This letter extends the exactly sparse Gaussian variational inference (ESGVI) algorithm for state estimation in two complementary directions. First, ESGVI is generalized to operate on matrix Lie groups, enabling the estimation of states with orientation components while respecting the underlying group structure. Second, factors are introduced to accommodate heavy-tailed and skewed noise distributions, as commonly encountered in ultra-wideband (UWB) localization due to non-line-of-sight (NLOS) and multipath effects. Both extensions are shown to integrate naturally within the ESGVI framework while preserving its sparse and derivative-free structure. The proposed approach is validated in a UWB localization experiment with NLOS-rich measurements, demonstrating improved accuracy and comparable consistency. Finally, a Python implementation within a factor-graph-based estimation framework is made open-source (https://github.com/decargroup/gvi_ws) to support broader research use.
- Abstract（参考訳）: この文字は2つの相補的な方向における状態推定のために、正確にスパースなガウス変分推論(ESGVI)アルゴリズムを拡張する。
まず、ESGVI は行列リー群上での操作に一般化され、下層の群構造を尊重しながら配向成分を持つ状態の推定が可能となる。
第二に、非視線(NLOS)とマルチパス効果による超広帯域(UWB)ローカライゼーションにおいてよく見られるように、重み付きノイズ分布と歪付きノイズ分布に対応する要因が導入された。
どちらの拡張も、スパース構造とデリバティブフリー構造を維持しながら、ESGVIフレームワークに自然に統合されることが示されている。
提案手法は,NLOSリッチ測定を用いたUWBローカライゼーション実験で検証され,精度と同等の一貫性が得られた。
最後に、ファクタグラフベースの推定フレームワーク内のPython実装をオープンソース(https://github.com/decargroup/gvi_ws)にして、より広範な研究用途をサポートする。
関連論文リスト
- Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - Sharp Gaussian approximations for Decentralized Federated Learning [1.2489632787815885]
フェデレートラーニング(Federated Learning)は、プライバシに敏感なコラボレーティブ環境において、重要な最適化手法としてローカルSGDが登場し、注目を集めている。
局所的なSGDに対する2つの一般化されたガウス近似結果を示し、その意味を探求する。
タイムユニフォーム近似は、対向攻撃を検出するブートストラップベースのテストをサポートする。
論文 参考訳（メタデータ） (2025-05-12T23:40:13Z) - Stability-based Generalization Bounds for Variational Inference [3.146069168382982]
変分推論(VI)はベイズ機械学習における近似推論に広く用いられている。
本稿では、近似ベイズアルゴリズムのクラスに対する安定性に基づく一般化境界を開発する。
新しいアプローチはPAC-Bayes分析を補完し、場合によってはより厳密な境界を提供する。
論文 参考訳（メタデータ） (2025-02-17T22:40:26Z) - Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。
DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。
DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD
for Communication Efficient Nonconvex Distributed Learning [58.79085525115987]
ローカル手法は通信時間を短縮する有望なアプローチの1つである。
局所的データセットが局所的損失の滑らかさよりも小さい場合,通信の複雑さは非局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-12T15:12:17Z) - Gaussian Graphical Models as an Ensemble Method for Distributed Gaussian
Processes [8.4159776055506]
我々はガウスの専門家の予測をガウス図形モデル(GGM)により集約する新しいアプローチを提案する。
まず、予測最大化(EM)アルゴリズムを用いて、潜伏変数と観測変数の合同分布を推定する。
我々の新しい手法は他の最先端のDGP手法よりも優れている。
論文 参考訳（メタデータ） (2022-02-07T15:22:56Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。
本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文 参考訳（メタデータ） (2021-01-15T11:39:09Z) - Distributed Variational Bayesian Algorithms Over Sensor Networks [6.572330981878818]
一般ベイズ推論問題に対する2つの新しい分散VBアルゴリズムを提案する。
提案アルゴリズムは、核融合センターで利用可能な全データに依存する集中型VBアルゴリズムとほぼ同等の性能を有する。
論文 参考訳（メタデータ） (2020-11-27T08:12:18Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-10-09T15:42:35Z)
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。