論文の概要: Online Generalised Predictive Coding

• arxiv url: http://arxiv.org/abs/2605.02675v1
• Date: Mon, 04 May 2026 14:55:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.348209
• Title: Online Generalised Predictive Coding
• Title（参考訳）: オンライン汎用予測符号化
• Authors: Mehran H. Z. Bazargani, Szymon Urbas, Adeel Razi, Thomas Brendan Murphy, Karl Friston,
• Abstract要約: 一般化フィルタリングとは、潜在状態を共同で推論し、未知のモデルパラメータを学習し、不確実性を推定するデータ同化スキームを指す。 このフレームワークは、エンジニアリングにおける変分Kalman-Bucyフィルタリングなど、異なる名前の分野にまたがって現れる。
• 参考スコア（独自算出の注目度）: 1.1534313664323634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces an extension of generalised filtering for online applications. Generalised filtering refers to data assimilation schemes that jointly infer latent states, learn unknown model parameters, and estimate uncertainty in an integrated framework -- e.g., estimate state and observation noise -- at the same time (i.e., triple estimation). This framework appears across disciplines under different names, including variational Kalman-Bucy filtering in engineering, generalised predictive coding in neuroscience, and Dynamic Expectation Maximisation (DEM) in time-series analysis. Here, we specialise DEM for ``online'' data assimilation, through a separation of temporal scales. We describe the variational principles and procedures that allow one to assimilate data in a way that allows for a slow updating of parameters and precisions, which contextualise fast Bayesian belief updating about the dynamic hidden states. Using numerical studies, we demonstrate the validity of online DEM (ODEM) using a non-linear -- and potentially chaotic -- generative model, to show that the ODEM scheme can track the latent states of the generative process, even when its functional form differs fundamentally from the dynamics of the generative model. Framed from a neuro-mimetic predictive coding perspective, ODEM offers a biologically inspired solution to online inference, learning, and uncertainty estimation in dynamic environments.
• Abstract（参考訳）: 本稿では,オンラインアプリケーションに対する一般化フィルタリングの拡張について紹介する。 一般化フィルタリング(英: Generalized filtering)とは、潜在状態を共同で推論し、未知のモデルパラメータを学習し、統合されたフレームワーク(例えば、推定状態と観測ノイズ)における不確実性を推定するデータ同化スキームである。 このフレームワークは、工学における変分カルマン・ビューシーのフィルタリング、神経科学における一般化予測コーディング、時系列分析における動的期待最大化(DEM)など、異なる名前の分野にまたがって現れる。 ここでは、時間スケールの分離による「オンライン」データ同化のためのDEMを専門とする。 動的隠れ状態に関するベイズ的信念を素早く更新する、パラメータや精度の遅い更新を可能にする方法で、データの同化を可能にする変動原理と手順について述べる。 数値解析を用いて,オンラインDEM (ODEM) の有効性を非線形および潜在的にカオスな生成モデルを用いて実証し,その機能形態が生成モデルの力学と根本的に異なる場合でも,その生成過程の潜伏状態を追跡することができることを示す。 ニューロミメティックな予測コーディングの観点からすると、ODEMは動的環境におけるオンライン推論、学習、不確実性推定に対する生物学的にインスパイアされた解決策を提供する。

関連論文リスト

• On the Identifiability of Regime-Switching Models with Multi-Lag Dependencies [42.274922469778545]
  マルチラグレジームスイッチングモデル(RSM)の一般的な理論的枠組みを開発する。 非線形ガウス条件下では,レギュラー数とマルチラグ遷移の双方の識別可能性を示す。 我々の結果は、アーキテクチャとノイズの仮定を通して完全に教師なしの設定を保ちます。
  論文  参考訳（メタデータ） (2026-01-06T15:12:39Z)
• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Brain-Inspired Spiking Neural Network for Online Unsupervised Time Series Prediction [13.521272923545409]
  連続学習に基づく非教師付きリカレントスパイキングニューラルネットワークモデル(CLURSNN)を提案する。 CLURSNNは、ランダム遅延埋め込み(Random Delay Embedding)を使用して基盤となる動的システムを再構築することで、オンライン予測を行う。 提案手法は,進化するロレンツ63力学系を予測する際に,最先端のDNNモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-10T16:18:37Z)
• Interpretable reduced-order modeling with time-scale separation [9.889399863931676]
  高次元の偏微分方程式(PDE)は計算物理学や工学でよく見られる。 本稿では,関連する時間スケールの識別を自動化するデータ駆動方式を提案する。 このデータ駆動型スキームは,線形ODEのシステムを分解する独立プロセスを自動的に学習できることを示す。
  論文  参考訳（メタデータ） (2023-03-03T19:23:59Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Decadal Forecasts with ResDMD: a Residual DMD Neural Network [0.0]
  運用予測センターは、より気候に耐性のある社会のための長期的な意思決定を支援するために、デカダル(1-10年)予測システムに投資している。 以前は動的モード分解 (Dynamic Mode Decomposition, DMD) アルゴリズムが用いられていた。 本稿では,非線形項をニューラルネットワークとして明示的に表現するDMDの拡張について検討する。
  論文  参考訳（メタデータ） (2021-06-21T13:49:43Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。