論文の概要: Learning to Distributedly Estimate under Partially Known Dynamics: A Covariance-Agnostic Neural Kalman Consensus Filter
- arxiv url: http://arxiv.org/abs/2606.28441v1
- Date: Fri, 26 Jun 2026 08:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.560008
- Title: Learning to Distributedly Estimate under Partially Known Dynamics: A Covariance-Agnostic Neural Kalman Consensus Filter
- Title（参考訳）: 部分的既知のダイナミクス下での分散推定の学習:共分散非依存型ニューラルカルマン合意フィルタ
- Authors: George Stamatelis, Kyriakos Stylianopoulos, George C. Alexandropoulos,
- Abstract要約: 本稿では,潜時状態推定を行うためにエージェントが協調して情報を交換する,新しいオンライン分散センシングフレームワークを提案する。
提案した推定器は、利用可能な部分的ドメイン知識とディープニューラルネットワークの表現能力を組み合わせたものである。
線形、カオス(z)および実用的なワイヤレストラッキング環境の実験により、提案したCoLoren-Agnostic Neural Kalman Consensus Filter (CA-NKCF)が従来の分散Kalmanおよびパーティクルフィルタより優れていることが明らかになった。
- 参考スコア（独自算出の注目度）: 31.377504700683374
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online latent state estimation constitutes a fundamental challenge within the artificial intelligence field, serving as a foundational tool for diverse applications, including sequential decision making, anomaly and change-point detection. In this paper, a novel online distributed sensing framework, where agents collaborate and exchange information to perform latent state estimation, is presented. The proposed estimator combines available partial domain knowledge with the representation capabilities of deep neural networks. In particular, the designed sensing framework incorporates prior estimates, optimized consensus weights, and Kalman-like recursive updates to perform decentralized inference, without relying on knowledge of noise statistics. Extensive experiments on linear, chaotic (Lorenz), and practical wireless tracking environments reveal that the proposed Covariance-Agnostic Neural Kalman Consensus Filter (CA-NKCF) outperforms traditional distributed Kalman and particle filters as well as purely model-free deep neural networks, exhibiting robustness even when the underlying motion and observation models are misspecified. It is also demonstrated that CA-NKCF's performance advantage remains stable across varying noise levels, random communication topologies, latent state dimensions, and observation clutter densities induced by scattering objects in wireless systems.
- Abstract（参考訳）: オンライン潜在状態推定は、人工知能分野における基本的な課題であり、シーケンシャルな意思決定、異常、変更点検出など、さまざまなアプリケーションの基本ツールとして機能する。
本稿では,潜伏状態推定を行うためにエージェントが協調して情報を交換する,新しいオンライン分散センシングフレームワークを提案する。
提案した推定器は、利用可能な部分的ドメイン知識とディープニューラルネットワークの表現能力を組み合わせたものである。
特に、設計されたセンシングフレームワークは、ノイズ統計の知識に頼ることなく、事前推定、最適化されたコンセンサス重み、分散推論を実行するためにカルマンのような再帰的な更新を取り入れている。
線形、カオス(ローレンツ)および実用的な無線追跡環境に関する広範な実験により、提案された共分散カルマン・コンセンサスフィルタ(CA-NKCF)は、従来の分散カルマンと粒子フィルタ、および純粋にモデルのないディープニューラルネットワークよりも優れており、基礎となる動きと観測モデルが誤特定された場合でも堅牢性を示す。
また、CA-NKCFの性能上の優位性は、様々なノイズレベル、ランダム通信トポロジ、潜時状態次元、および無線システムにおける散乱物体による観測クラッタ密度にわたって安定であることを示した。
関連論文リスト
- Uncovering Hidden Systematics in Neural Network Models for High Energy Physics [38.26828627410069]
入力可観測体の実験的不確かさと完全に整合した微妙な摂動が,NN出力の大幅な変化をもたらすことを示す。
ニューラルネットワークの隠れた感度を、現実的な実験的変動に対して探索し、測定するための枠組みを導入する。
論文 参考訳（メタデータ） (2026-05-08T09:17:58Z) - Interpretable Neural Approximation of Stochastic Reaction Dynamics with Guaranteed Reliability [4.736119820998459]
我々は,解釈可能性,信頼性保証,実質的な計算ゲインを実現するニューラルネットワークフレームワークであるDeepSKAを紹介する。
DeepSKAは、状態、時間、出力関数にまたがって一般化する数学的に透明な表現を生成し、この構造を少数のシミュレーションと統合し、古典的モンテカルロよりも非バイアスで、確率的に収束し、劇的に低いマグニチュード推定を生成する。
論文 参考訳（メタデータ） (2025-12-06T04:45:31Z) - Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。
意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。
提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
論文 参考訳（メタデータ） (2025-06-06T03:20:32Z) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Uncertainty Quantification With Noise Injection in Neural Networks: A Bayesian Perspective [1.6044444452278062]
ベイズの観点からノイズ注入と不確実性定量化の関連性を確立する。
本稿では,モンテカルロノイズ注入法(MCNI)を提案する。
本手法は,ベースラインモデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-01-21T17:28:52Z) - Variational Bayesian Bow tie Neural Networks with Shrinkage [0.276240219662896]
我々は,層間における分布仮定や独立性を回避する高速で近似的な変分推論アルゴリズムを開発した。
我々はPolya-Gammaデータ拡張トリックを使用し、条件付き線形およびガウス的モデルを描画する。
論文 参考訳（メタデータ） (2024-11-17T17:36:30Z) - Heterogeneous quantization regularizes spiking neural network activity [0.0]
本稿では、アナログデータを正規化し、スパイク位相表現に量子化する、データブラインドニューロモルフィック信号条件付け戦略を提案する。
我々は、量子化重みの範囲と密度が蓄積された入力統計に適応するデータ認識キャリブレーションステップを追加することで、このメカニズムを拡張した。
論文 参考訳（メタデータ） (2024-09-27T02:25:44Z) - Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-12-28T18:33:26Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。