論文の概要: VSE: Variational state estimation of complex model-free process

• arxiv url: http://arxiv.org/abs/2601.21887v1
• Date: Thu, 29 Jan 2026 15:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.955883
• Title: VSE: Variational state estimation of complex model-free process
• Title（参考訳）: VSE:複雑なモデルフリープロセスの変動状態推定
• Authors: Gustav Norén, Anubhab Ghosh, Fredrik Cumlin, Saikat Chatterjee,
• Abstract要約: 本稿では,(ノイズ)非線形測定から基礎となる複素力学過程の閉形式ガウス後部を提供する変分状態推定(VSE)手法を提案する。 VSEはロレンツ系モデルを知っている粒子フィルタと、ロレンツ系モデルを知らないデータ駆動状態推定法との競合性を示す。
• 参考スコア（独自算出の注目度）: 10.460885341690664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We design a variational state estimation (VSE) method that provides a closed-form Gaussian posterior of an underlying complex dynamical process from (noisy) nonlinear measurements. The complex process is model-free. That is, we do not have a suitable physics-based model characterizing the temporal evolution of the process state. The closed-form Gaussian posterior is provided by a recurrent neural network (RNN). The use of RNN is computationally simple in the inference phase. For learning the RNN, an additional RNN is used in the learning phase. Both RNNs help each other learn better based on variational inference principles. The VSE is demonstrated for a tracking application - state estimation of a stochastic Lorenz system (a benchmark process) using a 2-D camera measurement model. The VSE is shown to be competitive against a particle filter that knows the Lorenz system model and a recently proposed data-driven state estimation method that does not know the Lorenz system model.
• Abstract（参考訳）: 本研究では、(ノイズ)非線形測定から、基礎となる複素力学過程の閉形式ガウス後部を提供する変分状態推定(VSE)法を設計する。 複雑なプロセスはモデルフリーである。 すなわち、プロセス状態の時間的進化を特徴付ける適切な物理モデルを持っていない。 閉形ガウス後部は、リカレントニューラルネットワーク(RNN)によって提供される。 RNNの使用は、推論フェーズで計算的に単純である。 RNNの学習には、学習フェーズで追加のRNNが使用される。 どちらのRNNも、変分推論の原則に基づいてお互いをよりよく学習するのに役立つ。 VSEは,2次元カメラ計測モデルを用いて,確率ロレンツ系(ベンチマークプロセス)の状態推定を行う。 VSEはロレンツ系モデルを知っている粒子フィルタと、ロレンツ系モデルを知らないデータ駆動状態推定法との競合性を示す。

関連論文リスト

• Assumed Density Filtering and Smoothing with Neural Network Surrogate Models [0.0]
  フィルタとスムーサの精度を評価するため,クロスエントロピーはRMSEよりも適切な性能指標であることを示す。 Lorenz システムと Wiener システムにおける状態推定手法の優位性を実証し,フィードバックに状態推定を用いた場合,より最適な線形制御が可能であることが確認された。
  論文  参考訳（メタデータ） (2025-11-12T06:08:53Z)
• pDANSE: Particle-based Data-driven Nonlinear State Estimation from Nonlinear Measurements [55.95348868409957]
  本研究では,(ノイズ)非線形測定を用いたデータ駆動非線形状態推定法(DANSE)を設計する際の問題点について考察する。 リカレントニューラルネットワーク(RNN)は、モデルフリープロセスの状態を特徴付けるガウス前のパラメータを提供する。 状態後部の2次統計は、その時点に観測された非線形測定を用いて計算される。
  論文  参考訳（メタデータ） (2025-10-31T14:26:48Z)
• Bayesian Modeling and Estimation of Linear Time-Variant Systems using Neural Networks and Gaussian Processes [0.0]
  この研究は、システムのインパルス応答をモデル化する統一ベイズフレームワーク、$h(t, tau)$をプロセスとして導入する。 我々は、応答を後方平均とランダム変動項に分解し、予測における線形時間不変(LTIE)という新しい有用なシステムクラスを自然に定義する。 我々は,LTIシステムの特性を単一ノイズ観測から頑健に推測できることを,一連の実験で実証した。
  論文  参考訳（メタデータ） (2025-07-17T07:55:34Z)
• Convolutional Conditional Neural Processes [6.532867867011488]
  この理論は神経過程を3つの方法で前進させる。 ConvNPは、変換分散と呼ばれる対称性で構築することで、データ効率を向上させる。 GNPは神経過程の予測において依存関係を直接パラメライズする。 AR CNPは、モデルやトレーニング手順を変更することなく、ニューラルネットワークをトレーニングし、テスト時には、自己回帰的な方法でモデルをロールアウトする。
  論文  参考訳（メタデータ） (2024-08-18T19:53:38Z)
• Neural Differential Recurrent Neural Network with Adaptive Time Steps [11.999568208578799]
  隠れ状態の時間的発達を表すためにニューラルODEを用いるRNN-ODE-Adapと呼ばれるRNNベースのモデルを提案する。 我々は、データの変化の急激さに基づいて時間ステップを適応的に選択し、「スパイクのような」時系列に対してより効率的にモデルを訓練する。
  論文  参考訳（メタデータ） (2023-06-02T16:46:47Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。