論文の概要: Generative models for simulation based filtering: Formulations and Empirical Comparisons

• arxiv url: http://arxiv.org/abs/2609.16317v1
• Date: Mon, 14 Sep 2026 20:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.235129
• Title: Generative models for simulation based filtering: Formulations and Empirical Comparisons
• Title（参考訳）: シミュレーションに基づくフィルタリングのための生成モデル:定式化と経験的比較
• Abstract要約: 非線形フィルタリング問題に対する生成モデルアプローチの統一的な定式化と制御された数値比較を示す。 我々は, 補間材, 決定論的流動限界, および, 前方整合SDEにより実現されたシュルディンガー橋の3つの新しいフィルタを導出した。 その結果, 最適輸送フィルタ, Knothe-Rosenblatt filter (KRF), 逐次重要再サンプリング (SIR) 粒子フィルタ, アンサンブルカルマンフィルタ (EnKF) との比較を行った。
• 参考スコア（独自算出の注目度）: 8.069165304041247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This letter presents a unified formulation and a controlled numerical comparison of generative-model approaches to the nonlinear filtering problem. Under this formulation the analysis step is realized by a transport of the forecast distribution to the posterior, the approaches differing only in how that transport is selected and learned. We derive three new filters, based on stochastic interpolants, their deterministic flow-matching limit, and Schrödinger bridges realized through forward--backward SDEs. We develop a two-stage tuning procedure that separates the training of the generative model from its online refinement. The resulting methods are compared against the optimal transport filter (OTF), the Knothe--Rosenblatt filter (KRF), the sequential importance resampling (SIR) particle filter and the ensemble Kalman filter (EnKF), in terms of accuracy, computational time, and sensitivity to ensemble size and state dimension. The results indicate that every generative filter resolves multimodal posteriors that the EnKF and SIR do not, that no single generative framework dominates, the preferred method being set by the available online budget and ensemble size, and that the filters differ in the regularity of the particle trajectories they produce.
• Abstract（参考訳）: 非線形フィルタリング問題に対する生成モデルアプローチの統一的な定式化と制御された数値比較を示す。 この定式化の下で、解析ステップは、予測分布の後方への移動によって実現され、その輸送が選択され、どのように学習されるかにのみ異なるアプローチとなる。 我々は, 確率補間, 決定論的フローマッチング限界に基づく3つの新しいフィルタと, 前方SDEを通して実現されたシュレーディンガー橋を導出した。 生成モデルのトレーニングをオンラインリファインメントから分離する2段階のチューニング手順を開発する。 その結果, 最適輸送フィルタ (OTF) , Knothe-Rosenblattフィルタ (KRF) , 逐次重要再サンプリング (SIR) 粒子フィルタ, アンサンブルカルマンフィルタ (EnKF) に対して, 精度, 計算時間, アンサンブルサイズ, 状態寸法に対する感度を比較検討した。 その結果,全ての生成フィルタは, EnKF と SIR が支配していないマルチモーダル後部を解消し, 単一の生成フレームワークが支配せず, 利用可能なオンライン予算とアンサンブルサイズで設定される方法が望ましいこと, 粒子軌道の規則性が異なることが示唆された。

関連論文リスト

• Learning Enhanced Ensemble Filters [2.6330857455930725]
  Ensemble Kalman filter (EnKF) は平均場モデルと相互作用する粒子のアンサンブルを近似する。 平均場進化を近似するために、入力として確率分布をとる新しいタイプのニューラル演算子を用いる。 MNMエンサンブルフィルタ(MNMEF)は、平均場限界と相互作用するアンサンブル粒子近似の両方で定義される。
  論文  参考訳（メタデータ） (2025-04-24T17:48:03Z)
• Normalizing Flow-based Differentiable Particle Filters [16.164656853940464]
  本研究では, 動的モデル, 提案分布, 測定モデルを構築するために, 条件正規化フローを用いた微分可能な粒子フィルタリングフレームワークを提案する。 提案するフィルタの理論的特性を導出し, 一連の数値実験により, フローベース微分可能な粒子フィルタの性能の正規化を評価する。
  論文  参考訳（メタデータ） (2024-03-03T12:23:17Z)
• 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)
• 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)
• An overview of differentiable particle filters for data-adaptive sequential Bayesian inference [19.09640071505051]
  粒子フィルタ(PF)は非線形逐次状態推定問題を解くための効率的なメカニズムを提供する。 新たなトレンドは、ニューラルネットワークを使用して粒子フィルタのコンポーネントを構築し、勾配降下によって最適化することである。 微分可能な粒子フィルタは複雑な高次元タスクにおいて逐次データに対する推論を行うための有望な計算ツールである。
  論文  参考訳（メタデータ） (2023-02-19T18:03:53Z)
• 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)
• Understanding the Covariance Structure of Convolutional Filters [86.0964031294896]
  最近では、ConvMixerやConvNeXtのようなViTにインスパイアされた畳み込みネットワークは、注目すべき構造を持つ大カーネル深度畳み込みを使用している。 まず,このような学習フィルタの共分散行列が高度に構造化されていることを観測し,より大規模なネットワークを効果的に初期化するために,小さなネットワークから計算した共分散が用いられることを発見した。
  論文  参考訳（メタデータ） (2022-10-07T15:59:13Z)
• 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)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Innovative And Additive Outlier Robust Kalman Filtering With A Robust Particle Filter [68.8204255655161]
  提案するCE-BASSは, 粒子混合カルマンフィルタであり, 革新的および付加的両方の外れ値に対して堅牢であり, 隠蔽状態の分布における多モード性を完全に捉えることができる。 さらに、CE-BASSは過去の状態を再サンプリングすることで、トレンドの変化のような観測ですぐには見えない革新的な外れ値を扱うことができる。
  論文  参考訳（メタデータ） (2020-07-07T07:11:09Z)

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。