論文の概要: Learning Probabilistic Filters with Strictly Proper Scoring Rules
- arxiv url: http://arxiv.org/abs/2606.26497v1
- Date: Thu, 25 Jun 2026 01:04:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.135922
- Title: Learning Probabilistic Filters with Strictly Proper Scoring Rules
- Title（参考訳）: 厳密なスコーリング規則による確率的フィルタの学習
- Abstract要約: そこで本研究では,解析マップのトレーニングに基づくアンサンブルデータ同化手法である適切なスコアリングアンサンブルフィルタ(PSEF)を導入し,フィルタ分布を近似する。
我々は、実現可能性仮定の下で、人口目標が真のベイズフィルタ分布によって最小化されることを証明した。
数値実験により, 非線形, 非ガウス, 多モード後部を含む, 難解なフィルタ分布を正確に近似した。
- 参考スコア（独自算出の注目度）: 8.61813579171868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian filtering of partially and noisily observed dynamical systems seeks to infer the evolving conditional distribution of the state of a dynamical system, given observations, in an online fashion. This Bayesian filtering distribution is the natural object for uncertainty quantification, but it is rarely available as a supervised learning target. However, one can often use the forecast model to generate synthetic system trajectories, along with synthetic observations. We introduce the proper scoring ensemble filter (PSEF), an ensemble data assimilation method based on training an analysis map to approximate the filtering distribution using only synthetic state--observation trajectories. The analysis step is represented as a permutation-invariant, transformer-based map that takes as input a forecast ensemble and observations, producing an analysis ensemble. Training is based on strictly proper scoring rules -- with the energy score used in our implementation -- so that probabilistic accuracy is rewarded over the whole probability distribution. We prove that, under a realizability assumption, the population objective is minimized by the true Bayesian filtering distribution. We also derive the finite-ensemble empirical objective used in training and relate its single state--observation trajectory form to the population objective, using a mean-field consistency argument. Numerical experiments show that the learned filter accurately approximates challenging filtering distributions, including nonlinear, non-Gaussian, and multi-modal posteriors, and achieves stronger performance in data assimilation tasks than classical methods or learning-based methods with mean-squared-error objectives. For close-to-Gaussian problems, learning a correction to the EnKF is the best approach, while for highly non-Gaussian problems an end-to-end approach that discards this inductive bias is superior.
- Abstract（参考訳）: 部分的および雑音的に観察された力学系のベイズフィルタリングは、与えられた観察により、力学系の状態の進化した条件分布をオンライン的に推測しようとする。
このベイズフィルタ分布は不確実な定量化の自然な対象であるが、教師付き学習対象として利用することは稀である。
しかし、しばしば予測モデルを用いて合成系軌道を生成することができ、合成観測も可能である。
解析マップをトレーニングし,合成状態-観測軌道のみを用いてフィルタ分布を近似するアンサンブルデータ同化法である,適切なスコアリングアンサンブルフィルタ(PSEF)を導入する。
解析ステップは、予測アンサンブルと観測を入力として、解析アンサンブルを生成する、置換不変なトランスフォーマーベースのマップとして表現される。
トレーニングは厳密な適切なスコアリングルール(我々の実装で使用されるエネルギースコア)に基づいており、確率的精度が確率分布全体に対して与えられる。
我々は、実現可能性仮定の下で、人口目標が真のベイズフィルタ分布によって最小化されることを証明した。
また,学習に用いた有限アンサンブル実験目標を導出し,平均場整合論を用いて,その単一状態-観測軌道形状と人口目標を関連づける。
数値実験により, 非線形, 非ガウス, 多モード後部を含むフィルタ分布を精度よく近似し, 従来の手法や平均二乗誤差目的の学習に基づく手法よりもデータ同化タスクにおいて, 高い性能を達成できることが示されている。
ガウスに近い問題に対しては、EnKFの補正を学習するのが最良の方法であるが、高次ガウスでない問題に対しては、この帰納バイアスを破棄するエンドツーエンドのアプローチが優れている。
関連論文リスト
- Ensemble Controlled-Flow Filtering for Implicit Data Assimilation [11.531404987674378]
解析法則を予測分布のエネルギー傾きと定義した暗黙データ同化を導入する。
次に、制御フローを通じてこの更新を実現するEnsemble Controlled-flow Filter (EnCF)を提案する。
シミュレータで定義された観測のために、EnCF-LFはサンプルから条件エネルギーの代理を学習し、同じ制御フローソルバを適用する。
論文 参考訳（メタデータ） (2026-07-14T17:16:37Z) - Global Convergence of Gradient Descent for Score Matching in Gaussian Mixtures via Reverse Fisher Divergence [67.12978375116599]
そこで本研究では,学生分布に対する期待値の逆のフィッシャー発散(Fisher divergence)について検討する。
我々は、目標平均に対して$widetilde(1)$-separationの仮定の下で、大域収束保証を証明した。
我々はリアプノフに基づく勾配勾配勾配の動的解析を頼りにしており、逆のフィッシャー発散は前方のフィッシャー発散よりもはるかに良い最適化環境を持つことが示されている。
論文 参考訳（メタデータ） (2026-06-18T07:34:33Z) - Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。
これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
論文 参考訳（メタデータ） (2026-06-02T08:41:25Z) - Importance Weighted Score Matching for Diffusion Samplers with Enhanced Mode Coverage [16.94974733994214]
一般的な手法では、逆KLベースの目的を最適化することで、ターゲットデータの欠如を回避できることが多い。
そこで本研究では,KLの分岐に類似した目的を直接ターゲットとした拡散型サンプリング器の訓練手法を提案する。
我々のアプローチは、すべての分布距離のメトリクスで既存のニューラルサンプリングよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-05-26T02:48:26Z) - Nonparametric Filtering, Estimation and Classification using Neural Jump ODEs [3.437372707846067]
ニューラルジャンプODEは、ニューラルジャンプODEによる観測と新しい観測の到着時のジャンプの間の条件予測をモデル化する。
彼らは、不規則かつ部分的な観察を伴う設定において、完全なデータ駆動オンライン予測の有効性を実証した。
この作業は、フレームワークをインプット・アウトプット・システムに拡張し、オンラインフィルタリングと分類における直接的なアプリケーションを可能にする。
論文 参考訳（メタデータ） (2024-12-04T12:31:15Z) - Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Learning Optimal Filters Using Variational Inference [0.3749861135832072]
フィルタリングシステムのためのパラメータ化分析マップを学習するためのフレームワークを提案する。
原理的には、これはフィルタリング分布の近似をより良くし、従ってバイアスを小さくする。
この手法は、線形および非線形力学系をフィルタリングするアフィン解析マップにおいてゲイン行列の学習に利用できることを示す。
論文 参考訳（メタデータ） (2024-06-26T04:51:14Z) - Normalizing flow sampling with Langevin dynamics in the latent space [12.91637880428221]
正規化フロー(NF)は、連続生成器を使用して、単純な潜伏分布(例えばガウス分布)をトレーニングデータセットに関連する経験的対象分布にマッピングする。
標準NFは可微分写像を実装しているため、複雑な分布を対象とする場合、病理学的挙動に悩まされることがある。
本稿では,マルコフ連鎖モンテカルロアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-20T09:31:35Z) - Unsupervised Learning of Sampling Distributions for Particle Filters [80.6716888175925]
観測結果からサンプリング分布を学習する4つの方法を提案する。
実験により、学習されたサンプリング分布は、設計された最小縮退サンプリング分布よりも優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2023-02-02T15:50:21Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z) - Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。
粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
論文 参考訳（メタデータ） (2021-10-06T16:58:34Z)
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。