論文の概要: Ensemble Controlled-Flow Filtering for Implicit Data Assimilation

• arxiv url: http://arxiv.org/abs/2607.12975v1
• Date: Tue, 14 Jul 2026 17:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.23322
• Title: Ensemble Controlled-Flow Filtering for Implicit Data Assimilation
• Title（参考訳）: 入出力データ同化のためのエンサンブル制御フローフィルタ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.531404987674378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data assimilation estimates the state of a dynamical system from model forecasts and incoming observations. Many observation mechanisms, however, are many-to-one, implicit, non-smooth, or accessible only through simulation, and need not provide the residual structures or likelihood guidance required by existing ensemble filters. We introduce implicit data assimilation, in which the analysis law is defined as an energy tilt of the forecast distribution. We then propose the Ensemble Controlled-flow Filter (EnCF), which realizes this update through a stochastic controlled flow and learns the observation-dependent control by adjoint matching from terminal energy gradients. For simulator-defined observations, EnCF-LF learns a surrogate conditional energy from samples and applies the same controlled-flow solver. We prove ideal exactness, derive a one-step error decomposition, and establish non-accumulation of local errors under filter stability. Numerical results show that Kalman-type filters remain preferable for smooth additive-Gaussian observations, while the proposed methods are better suited to non-Gaussian, many-to-one, multimodal, and implicit observation models.
• Abstract（参考訳）: データ同化は、モデル予測と入ってくる観測から力学系の状態を推定する。 しかし、多くの観察メカニズムは、多対一、暗黙、非滑らか、あるいはシミュレーションを通してのみアクセス可能であり、既存のアンサンブルフィルタで必要とされる残留構造や可能性ガイダンスを提供する必要はない。 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、確率的制御フローを通してこの更新を実現するEnsemble Controlled-flow Filter (EnCF)を提案し、終端エネルギー勾配から随伴マッチングにより観測依存制御を学習する。 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。 我々は理想的な正確性を証明し、一段階の誤差分解を導出し、フィルタ安定性の下で局所誤差の非累積を確立する。 その結果, カルマン型フィルタはスムーズな加法-ガウス観測に好適であり, 提案手法は非ガウス・多対一・マルチモーダル・暗黙観察モデルに好適であることが示唆された。

関連論文リスト

• Generative Bayesian Filtering for State Estimation [8.548885512840073]
  条件付き変分オートエンコーダ(CVAE)によりパラメータ化される事前制約付き条件付き生成モデルに、制約付き観測モデルを置き換えるフィルタリングフレームワークを提案する。 製造システム監視と不整脈診断を含む合成データセットと実世界の応用の実験は、GBFがベースラインアプローチと比較して状態推定精度と堅牢性を改善することを示した。
  論文  参考訳（メタデータ） (2026-07-09T00:05:23Z)
• Learning Probabilistic Filters with Strictly Proper Scoring Rules [8.61813579171868]
  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。
  論文  参考訳（メタデータ） (2026-06-25T01:04:21Z)
• DAISI: Data Assimilation with Inverse Sampling using Stochastic Interpolants [12.587156528707796]
  本稿では,フローベース生成モデルに基づくスケーラブルなフィルタリングアルゴリズムであるDAISIを紹介する。 DAISIは, 疎度, 雑音, 非線形の観測を行う体制において, 正確なフィルタリング結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-11-29T00:02:45Z)
• Filtering with Randomised Observations: Sequential Learning of Relevant Subspace Properties and Accuracy Analysis [0.0]
  連続アンサンブルカルマンフィルタの信号追跡性能について, 固定的, ランダム化し, 適応的に変動する部分的観測条件下で検討した。 本稿では,境界フィルタリング誤差を保証するのに十分な状態部分空間の次元を適応的に決定する逐次学習方式を提案する。
  論文  参考訳（メタデータ） (2025-09-05T07:30:01Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• 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)
• An adaptive ensemble filter for heavy-tailed distributions: tuning-free inflation and localization [0.3749861135832072]
  重尾は、非線形力学および観察過程から生じる分布をフィルタリングする一般的な特徴である。 本研究では,各状態と観測値の同時予測分布のサンプルから,前から後への更新を推定するアルゴリズムを提案する。 本稿では,新しいアンサンブルフィルタの利点について述べる。
  論文  参考訳（メタデータ） (2023-10-12T21:56:14Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Convolutional Filtering on Sampled Manifolds [122.06927400759021]
  サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。 本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
  論文  参考訳（メタデータ） (2022-11-20T19:09:50Z)
• 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)
• Machine learning-based conditional mean filter: a generalization of the ensemble Kalman filter for nonlinear data assimilation [42.60602838972598]
  スパース観測に基づく非線形ダイナミクスを持つ高次元非ガウス状態モデルを追跡する機械学習ベースのアンサンブル条件付き平均フィルタ(ML-EnCMF)を提案する。 提案手法は条件付き期待値に基づいて開発され,機械学習(ML)技術とアンサンブル法を組み合わせて数値的に実装されている。
  論文  参考訳（メタデータ） (2021-06-15T06:40:32Z)
• Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
  FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。 我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。