論文の概要: Generative Model Proposal based Particle Filtering for Data Assimilation
- arxiv url: http://arxiv.org/abs/2607.01012v1
- Date: Wed, 01 Jul 2026 14:48:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.941894
- Title: Generative Model Proposal based Particle Filtering for Data Assimilation
- Title（参考訳）: データ同化のための生成モデルに基づく粒子フィルタ
- Abstract要約: Flow Proposal Particle Filters learn a Conditional Generative model based proposal approximating the variance-minimizing optimal proposal for Particle propagation。
提案手法では, 精度評価が可能であるため, FPPFは精度の高い重み付けを計算し, ベイズ更新のステップを維持できる。
- 参考スコア（独自算出の注目度）: 13.08409641681929
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data assimilation models state dynamics conditioned on sequential observations, and has wide-ranging scientific applications. In the filtering setting, the goal is to model the posterior over the current state given all observations so far. Classical solutions typically make simplifying distributional or functional assumptions, e.g., linear-Gaussian systems, which can be inaccurate in many scenarios. In principle, particle filters (PFs) remove these assumptions, yet often collapse in high dimensions. Recent generative approaches learn conditional state transitions, but without principled Bayesian updates they do not recover the correct filtering posterior and can accumulate error over long horizons. In this work, we introduce Flow Proposal Particle Filters (FPPF), which learn a conditional generative model based proposal approximating the variance-minimizing optimal proposal for particle propagation. Conditioning on observations steers particles toward high-likelihood regions before weighting, reducing weight variance and delaying degeneracy. Since our proposal admits tractable likelihood evaluation, FPPF computes accurate importance weights and retains a Bayesian update step. We further extend FPPF to high-dimensional problems through localization strategies, adressing another standard PF failure mode. Extensive experiments on a variety of dynamical systems show that FPPF outperforms statistical baselines and other generative methods in non-linear, non-Gaussian, and high-dimensional regimes.
- Abstract（参考訳）: データ同化モデルでは、シーケンシャルな観測で条件付けられた状態のダイナミクスが記録され、幅広い科学的応用がある。
フィルタリング設定では、これまでのすべての観測から、現在の状態よりも後方をモデル化することが目的である。
古典的な解は通常、分布的あるいは機能的な仮定、例えば、多くのシナリオで不正確な線形ガウス系を単純化する。
原則として、粒子フィルタ(PF)はこれらの仮定を除去するが、しばしば高次元で崩壊する。
最近の生成的アプローチは条件状態遷移を学習するが、ベイズ的な更新がなければ、正しいフィルタリング後部を回復せず、長い水平線上で誤差を蓄積することができる。
本研究では,粒子伝搬の分散最小化を最適化した条件付き生成モデルに基づく提案を学習するフロープロポーザルフィルタ(FPPF)を提案する。
観測条件は、重み付け前に粒子を高濃度領域に向けて操舵し、重量分散を低減し、縮退を遅らせる。
提案手法では, 精度評価が可能であるため, FPPFは精度の高い重み付けを計算し, ベイズ更新のステップを維持できる。
さらに、FPPFを局所化戦略により高次元問題に拡張し、別の標準PF故障モードに適応する。
様々な力学系に関する広範な実験により、FPPFは非線型、非ガウス的、高次元のレジームにおいて統計基底線やその他の生成法より優れていることが示されている。
関連論文リスト
- Flow Matching for Efficient and Scalable Data Assimilation [11.620677508344981]
データ同化は、ノイズ観測から力学系の状態を推定する。
アンサンブルスコアフィルタ(EnSF)のような最近の生成モデルは、高次元非線形設定においてDAを改善するが、計算コストが高い。
本研究では,アンサンブルフローフィルタ(EnFF)を導入した。これはFMベースのフレームワークで,サンプリングを高速化し,フロー設計の柔軟性を提供する。
論文 参考訳（メタデータ） (2025-08-18T19:00:45Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems [4.382988524355736]
正規化フローを統合したフローベースベイズフィルタ(FBF)を提案する。
このフレームワークは、フローの正規化によって提供される可逆変換を用いて、効率的な密度推定とサンプリングを容易にする。
数値実験によりFBFの精度と効率が向上した。
論文 参考訳（メタデータ） (2025-02-22T14:04:23Z) - Adversarial Transform Particle Filters [11.330617592263744]
粒子フィルタ(PF)とアンサンブルカルマンフィルタ(EnKF)は状態空間モデルにおける近似推論に広く用いられている。
本稿では, PF と EnKF の強みを組み合わせた新しいフィルタフレームワークである Adversarial Transform Particle Filter (ATPF) を提案する。
論文 参考訳（メタデータ） (2025-02-10T05:31:35Z) - Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。
本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。
提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文 参考訳（メタデータ） (2024-02-15T08:51:49Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳（メタデータ） (2023-10-30T18:43:21Z) - Nonlinear Filtering with Brenier Optimal Transport Maps [6.048942663334447]
本稿では,非線形フィルタリング,すなわち動的システムの状態の条件分布の計算の問題について述べる。
従来の逐次重要再サンプリング(SIR)粒子フィルタは、縮退確率や高次元状態を含むシナリオにおいて、基本的な制限に悩まされる。
本稿では,Brenier 最適輸送 (OT) マップを,現在の状態の分布から次のステップにおける後部分布へ推定する手法について検討する。
論文 参考訳（メタデータ） (2023-10-21T01:34:30Z) - Exact nonlinear state estimation [0.0]
地質学におけるデータ同化法の大部分はガウスの仮定に基づいている。
非パラメトリックな粒子ベースDAアルゴリズムは精度が優れているが、高次元モデルへの応用は依然として運用上の課題となっている。
本稿では,DA手法の既存のギャップを埋めようとする新しい非線形推定理論を紹介する。
論文 参考訳（メタデータ） (2023-10-17T03:44:29Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳（メタデータ） (2022-08-18T16:07:59Z) - Computational Doob's h-transforms for Online Filtering of Discretely
Observed Diffusions [65.74069050283998]
本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。
提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
論文 参考訳（メタデータ） (2022-06-07T15:03:05Z) - When is Particle Filtering Efficient for Planning in Partially Observed
Linear Dynamical Systems? [60.703816720093016]
本稿では, 逐次計画における粒子フィルタリングの効率性について検討する。
我々は、粒子フィルタリングに基づくポリシーの長期報酬が正確な推測に基づいてそれに近いように、必要な粒子の数に縛り付けることができる。
このテクニックは、他のシーケンシャルな意思決定問題に有効であると考えています。
論文 参考訳（メタデータ） (2020-06-10T17:43:43Z)
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。