論文の概要: Hybrid Adaptive Kalman Filtering for Data-Efficient Joint Tracking and Classification

• arxiv url: http://arxiv.org/abs/2606.02767v1
• Date: Mon, 01 Jun 2026 18:30:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.543659
• Title: Hybrid Adaptive Kalman Filtering for Data-Efficient Joint Tracking and Classification
• Title（参考訳）: データ効率の良い関節追跡と分類のためのハイブリッド適応カルマンフィルタ
• Authors: Jiho Lee, Nisar R. Ahmed, Rebecca Russell,
• Abstract要約: 本稿では,システムダイナミクスに対する構造的補正と,測定のみから処理ノイズの共分散を学習する自己教師型ハイブリッド適応カルマンフィルタを提案する。 実世界およびシミュレーションデータセットの実験結果から,評価精度と統計的整合性が向上し,ロバストな分類性能が得られた。
• 参考スコア（独自算出の注目度）: 10.5460929917527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kalman filtering performance is highly sensitive to model mismatch and noise covariance tuning. Learning-based approaches address these limitations but typically rely on supervised training with large datasets and do not produce consistent uncertainty estimates. In this paper, we propose a self-supervised Hybrid Adaptive Kalman Filter that learns structured corrections to system dynamics and process noise covariance from measurements alone while preserving the probabilistic structure of the filter. This allows the innovation likelihood to be computed and subsequently used for model classification via generalized Bayesian inference. Experimental results on real-world and simulated datasets demonstrate improved estimation accuracy and statistical consistency as well as robust classification performance across both low-data and large-data scenarios.
• Abstract（参考訳）: カルマンフィルタ性能はモデルミスマッチとノイズ共分散チューニングに非常に敏感である。 学習ベースのアプローチはこれらの制限に対処するが、典型的には大規模なデータセットによる教師付きトレーニングに依存し、一貫した不確実性推定を生成しない。 本稿では,フィルタの確率的構造を保ちながら,測定のみからシステム力学とプロセスノイズ共分散の構造化補正を学習する自己教師型ハイブリッド適応カルマンフィルタを提案する。 これにより、革新確率が計算され、一般化ベイズ予想によるモデル分類に使用される。 実世界のデータセットとシミュレーションデータセットの実験結果から、推定精度と統計的一貫性が向上し、低データシナリオと大データシナリオの両方にわたる堅牢な分類性能が示された。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• The Kalman Evolve: Closing the Gap in Kalman Filtering via Interpretable Algorithm Discovery [9.728186043117896]
  本稿では,ノイズパラメータと更新構造を協調的に最適化することで,改良されたフィルタリングアルゴリズムを発見するためのフレームワークを提案する。 提案手法では,大規模言語モデル(LLM)をプログラム空間上の構造化前処理として利用し,従来のカルマンフィルタに対する解釈可能な非アフィン修飾を生成する。
  論文  参考訳（メタデータ） (2026-05-26T10:50:40Z)
• Neural Aided Adaptive Innovation-Based Invariant Kalman Filter [6.037383467521294]
  生慣性データから直接プロセスノイズ共分散パラメータを推定するニューラルネットワークを提案する。 ドメイン適応を通じてsim2realフレームワークで完全にトレーニングされたこのネットワークは、実世界のラベル付きデータを必要とせずに、モーション依存およびセンサ依存のノイズ特性をキャプチャする。
  論文  参考訳（メタデータ） (2026-03-17T20:32:53Z)
• Recursive KalmanNet: Deep Learning-Augmented Kalman Filtering for State Estimation with Consistent Uncertainty Quantification [0.0]
  本稿では,正確な状態推定を目的としたKalman-filter-informed Recurrent Neural NetworkであるRecursive KalmanNetを紹介する。 非ガウス的ホワイトノイズを用いた実験では,従来のカルマンフィルタと既存の最先端ディープラーニングに基づく推定器の両方で性能が向上することが示された。
  論文  参考訳（メタデータ） (2025-06-13T10:11:32Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Joint State Estimation and Noise Identification Based on Variational Optimization [8.536356569523127]
  CVIAKFと呼ばれる共役計算変分推論に基づく新しい適応カルマンフィルタ法を提案する。 CVIAKFの有効性は、目標追尾のための合成および実世界のデータセットを通して検証される。
  論文  参考訳（メタデータ） (2023-12-15T07:47:03Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Continual Learning For On-Device Environmental Sound Classification [63.81276321857279]
  デバイス上での環境音の分類のための簡易かつ効率的な連続学習法を提案する。 本手法は,サンプルごとの分類の不確実性を測定することにより,トレーニングの履歴データを選択する。
  論文  参考訳（メタデータ） (2022-07-15T12:13:04Z)

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。