論文の概要: Generative Bayesian Filtering for State Estimation

• arxiv url: http://arxiv.org/abs/2607.20521v1
• Date: Thu, 09 Jul 2026 00:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.216163
• Title: Generative Bayesian Filtering for State Estimation
• Title（参考訳）: 状態推定のための生成ベイズフィルタ
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.548885512840073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The state of a dynamic system evolves over time, switching among several latent modes that govern its observable behavior. Filtering methods infer the latent state from observations. Classical filtering approaches, including Kalman filters, typically rely on simple observation models, such as linear-Gaussian models, that are incapable of characterizing the increasingly nonlinear and heterogeneous patterns in high-dimensional sensor signals. To tackle the challenge, we propose Generative Bayesian Filtering (GBF), a filtering framework that replaces restrictive observation models with pretrained conditional generative models parametrized by conditional variational autoencoders (CVAE). For online inference, GBF performs a Bayesian prediction-update recursion in which the measurement update is formulated as a posterior sampling problem that combines the dynamical prior with the CVAE-induced likelihood. The resulting filtering problem is then transformed into a score-based sampling problem, which naturally inherits the flexibility from generative models and the uncertainty quantification capabilities from ensembling. Experiments on synthetic datasets and real-world applications involving manufacturing system monitoring and arrhythmia diagnosis demonstrate that GBF improves state estimation accuracy and robustness relative to baseline approaches.
• Abstract（参考訳）: 動的システムの状態は時間とともに進化し、観測可能な振る舞いを管理するいくつかの潜伏モードに切り替える。 フィルタ法は、観測結果から潜時状態を推定する。 カルマンフィルタを含む古典的なフィルタリング手法は、高次元センサ信号の非線形パターンや不均一パターンを特徴づけることができない線形ガウスモデルのような単純な観測モデルに依存するのが一般的である。 この課題に対処するために,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た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フレームワークである生成ベイズフィルタ(GBF)を提案する。 オンライン推論では、GBFはベイズ予測更新再帰を行い、測定更新は後続サンプリング問題として定式化され、CVAEが引き起こす可能性に先立って動的に組み合わされる。 結果のフィルタリング問題はスコアベースサンプリング問題に変換され、生成モデルからの柔軟性とアンサンブルからの不確実な定量化能力を自然に継承する。 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。

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)
• Iterated Invariant EKF for Quadruped Robot Odometry [2.975934604778082]
  我々はIterIEKFに基づく脚ロボットのための新しいオープンソース状態推定アルゴリズムを提案する。 We demonstrate that the IterIEKF are out of the vanilla IEKF, the SO(3)-based Kalman Filter, and its iterationated variant in both accuracy and consistency。
  論文  参考訳（メタデータ） (2026-04-16T18:09:15Z)
• Conditional Normalizing Flows for Forward and Backward Joint State and Parameter Estimation [0.0]
  本研究は非線形フィルタリングによる状態推定の正規化に関する最近のアプローチをレビューする。 本研究は、自律運転と患者集団動態に関する応用におけるこれらのアプローチの性能について考察する。 最後に,実世界の新型コロナウイルス(COVID-19)共同SIRシステムの予測と推定に応用するための様々な条件付け手法の性能を評価する。
  論文  参考訳（メタデータ） (2026-01-11T18:01:42Z)
• 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)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• 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)
• TrackDiffuser: Nearly Model-Free Bayesian Filtering with Diffusion Model [23.40376181606577]
  本稿では,条件拡散モデルとしてベイズフィルタを再構成することにより,両方の課題に対処する生成フレームワークであるTrackDiffuserを提案する。 提案手法は,不正確なSSMの影響を軽減するために,データからシステムダイナミクスを暗黙的に学習する。 TrackDiffuserはSSMの不正確性に顕著な堅牢性を示し、実世界の状態推定問題に対する実用的な解決策を提供する。
  論文  参考訳（メタデータ） (2025-02-08T16:21:18Z)
• 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)
• 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)
• 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)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。