論文の概要: Variable Elimination in Hybrid Factor Graphs for Discrete-Continuous Inference & Estimation

• arxiv url: http://arxiv.org/abs/2601.00545v2
• Date: Tue, 13 Jan 2026 04:08:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.600891
• Title: Variable Elimination in Hybrid Factor Graphs for Discrete-Continuous Inference & Estimation
• Title（参考訳）: 離散連続推論と推定のためのハイブリッド係数グラフの可変除去
• Authors: Varun Agrawal, Frank Dellaert,
• Abstract要約: ロボット工学のハイブリッド問題には 連続成分と離散成分の両方が含まれる 本稿では,ハイブリッドベイズネットワークを生成するための可変除去アルゴリズムとともに,効率的なハイブリッド係数グラフフレームワークを提案する。 我々は、不明瞭な測定値を持つSLAMデータセット上で、我々のフレームワークの適用性を実証する。
• 参考スコア（独自算出の注目度）: 11.531046545925925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many hybrid problems in robotics involve both continuous and discrete components, and modeling them together for estimation tasks has been a long standing and difficult problem. Hybrid Factor Graphs give us a mathematical framework to model these types of problems, however existing approaches for solving them are based on approximations. In this work, we propose an efficient Hybrid Factor Graph framework alongwith a variable elimination algorithm to produce a hybrid Bayes network, which can then be used for exact Maximum A Posteriori estimation and marginalization over both sets of variables. Our approach first develops a novel hybrid Gaussian factor which can connect to both discrete and continuous variables, and a hybrid conditional which can represent multiple continuous hypotheses conditioned on the discrete variables. Using these representations, we derive the process of hybrid variable elimination under the Conditional Linear Gaussian scheme, giving us exact posteriors as hybrid Bayes network. To bound the number of discrete hypotheses, we use a tree-structured representation of the factors coupled with a simple pruning and probabilistic assignment scheme, which allows for tractable inference. We demonstrate the applicability of our framework on a SLAM dataset with ambiguous measurements, where discrete choices for the most likely measurement have to be made. Our demonstrated results showcase the accuracy, generality, and simplicity of our hybrid factor graph framework.
• Abstract（参考訳）: ロボット工学における多くのハイブリッド問題には、連続的なコンポーネントと離散的なコンポーネントの両方が含まれる。 ハイブリッドファクタグラフは、これらのタイプの問題をモデル化するための数学的フレームワークを提供するが、それを解決するための既存のアプローチは近似に基づいている。 本研究では,ハイブリッドベイズネットワークを生成するための変数除去アルゴリズムとともに,効率的なハイブリッド係数グラフフレームワークを提案する。 提案手法はまず, 離散変数と連続変数の両方に接続可能な新しいハイブリッドガウス因子と, 離散変数上で条件付けられた複数の連続仮説を表現できるハイブリッド条件を考案する。 これらの表現を用いて、条件線形ガウススキームの下でのハイブリッド変数除去の過程を導出し、ハイブリッドベイズネットワークとして正確な後部を与える。 離散仮説の個数を有界化するために、単純なプルーニングと確率的代入スキームが組み合わさった因子のツリー構造表現を用いる。 我々は、最も可能性の高い測定を個別に選択する必要がある不明瞭な測定値を持つSLAMデータセット上で、我々のフレームワークの適用性を実証する。 実験の結果,ハイブリッド因子グラフフレームワークの正確性,汎用性,簡易性を示した。

関連論文リスト

• Expressivity-Efficiency Tradeoffs for Hybrid Sequence Models [50.45915413315706]
  非ハイブリッドモデルに対する基本的な制限の存在を証明する。 我々は,これらの課題を確実に解決する,小さなサイズと作業メモリのハイブリッドモデルを構築した。 さらに,ハイブリッドモデルが非ハイブリッドモデルよりも長大化および分布外堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2026-03-09T19:20:01Z)
• Robust scalable initialization for Bayesian variational inference with multi-modal Laplace approximations [0.0]
  フル共分散構造を持つ変分混合は、パラメータ数による変動パラメータによる二次的な成長に苦しむ。 本稿では,変分推論のウォームスタートに使用できる初期ガウスモデル近似を構築する方法を提案する。
  論文  参考訳（メタデータ） (2023-07-12T19:30:04Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Linear Discriminant Analysis with High-dimensional Mixed Variables [10.774094462083843]
  本稿では,混合変数を用いた高次元観測の分類手法を提案する。 データを指数関数的に多くのセルに分割するという課題を克服する。 推定精度と誤分類率に関する結果が確立される。
  論文  参考訳（メタデータ） (2021-12-14T03:57:56Z)
• Sparse Communication via Mixed Distributions [29.170302047339174]
  我々は「混合確率変数」の理論基盤を構築する。 本フレームワークは,混合確率変数の表現とサンプリングのための2つの戦略を提案する。 我々は、創発的な通信ベンチマークにおいて、両方のアプローチを実験する。
  論文  参考訳（メタデータ） (2021-08-05T14:49:03Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Consistent Second-Order Conic Integer Programming for Learning Bayesian Networks [2.7473982588529653]
  連続観測データからBNのスパースDAG構造を学習する問題について検討する。 この数学的プログラムの最適解は、ある条件下では望ましい統計的性質を持つことが知られている。 ほぼ最適解を得るために, 分岐・結合プロセスの終了に向け, 早期停止条件を提案する。
  論文  参考訳（メタデータ） (2020-05-29T00:13:15Z)

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。