論文の概要: Bayesian Filtering in Physical Systems via Test-time Trained Flow Matching

• arxiv url: http://arxiv.org/abs/2609.23383v1
• Date: Sun, 20 Sep 2026 06:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.809072
• Title: Bayesian Filtering in Physical Systems via Test-time Trained Flow Matching
• Title（参考訳）: 実時間学習フローマッチングによる物理系のベイズフィルタ
• Abstract要約: Belief Flow Filter (BFF) は、モデルウェイトを勾配降下によって更新し、後部進化を追跡するための生成的なフィルタリングフレームワークである。 BFFは、カオス力学と非常にスパースで非線形な観察を含む、5つの異なる物理系で実証的に検証されている。 その結果、BFFは3つの標準1Dおよび2DPDEベンチマークで9つのメートル法ベンチマークセルのうち8つで最高のスコアを得ることができた。
• 参考スコア（独自算出の注目度）: 11.737662077988091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian filtering provides a principled framework for online state estimation under uncertainty, yet its application to systems with high-dimensional states and complicated posterior distributions remains challenging. Recent generative models, such as flow matching, have shown potential in Bayesian filtering. However, they still rely on particle-based representations of the posterior, which lose the rich information of the full distribution, or tackle a trajectory-level inverse problem that conflicts with the recursive structure of Bayesian filtering. To address this, we propose a new perspective of directly encoding the evolving distribution into flow matching model weights, namely, the Belief Flow Filter (BFF). It is a generative filtering framework that updates model weights via gradient descent at test time to track the posterior evolution. Thereby, BFF bypasses the scalability issue of particle representations or the flexibility limitation of Gaussian assumptions in conventional filters. We theoretically justify that the BFF design is structurally aligned with Bayesian filtering, and its training objective targets the recursive filtering operator. BFF is empirically verified across 5 different physical systems, including ones with chaotic dynamics and highly sparse, non-linear observations. The results show that BFF attains the best score in 8 of 9 metric-benchmark cells across the three standard 1D and 2D PDE benchmarks, and similarly leads on the extreme single-moving-sensor setting and on a real-world-grounded tokamak plasma estimation task, demonstrating its potential to accurately approximate the Bayesian filtering operator in high-dimensional probability space.
• Abstract（参考訳）: ベイズフィルタリングは、不確実性の下でのオンライン状態推定の原則的枠組みを提供するが、高次元状態や複雑な後続分布を持つシステムへの応用は依然として困難である。 フローマッチングのような最近の生成モデルは、ベイズフィルタのポテンシャルを示している。 しかし、完全な分布の豊富な情報を失う後部の粒子ベースの表現や、ベイズフィルタの帰納的構造と矛盾する軌道レベルの逆問題に依然として依存している。 この問題に対処するために、進化する分布を直接フローマッチングモデル重みに符号化する新たな視点、すなわち、Belief Flow Filter (BFF)を提案する。 これは、テスト時の勾配降下によってモデルウェイトを更新し、後続の進化を追跡する、生成的なフィルタリングフレームワークである。 これにより、BFFは従来のフィルタにおける粒子表現のスケーラビリティ問題やガウスの仮定の柔軟性の制限を回避できる。 理論的には、BFF設計はベイズフィルタと構造的に整合しており、その訓練対象は再帰的フィルタリング演算子である。 BFFは、カオス力学と高度にスパースで非線形な観察を含む、5つの異なる物理系で実証的に検証されている。 その結果,BFFは3つの標準1Dおよび2DPDEベンチマークにおいて,9つの計量ベンチマークセルのうち8つで最高のスコアを達成し,また,高次元の確率空間におけるベイズフィルタ演算子を正確に近似する可能性を示す実世界のトカマクプラズマ推定タスクにおいて,極端に単一運動センサの設定に繋がることを示した。

関連論文リスト

• Generative Model Proposal based Particle Filtering for Data Assimilation [13.045651122066927]
  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。
  論文  参考訳（メタデータ） (2026-07-01T14:48:32Z)
• Deformable Wiener Filter for Future Video Coding [55.405068056883614]
  We propose a deformable Wiener Filter (DWF) for in-loop filters in Versatile Video Coding (VVC)。 局所特性と非局所特性を組み合わせて、ウィナーフィルタ理論に基づいてフィルタ係数を指導的に訓練する。 平均で1.16%、1.92%、および2.67%のビットレートの節約を実現している。
  論文  参考訳（メタデータ） (2026-06-01T02:24:07Z)
• Amortized Filtering and Smoothing with Conditional Normalizing Flows [7.654025184364039]
  本研究では,条件付き正規化フローを用いてフィルタリングおよび平滑化を行うための統一的アモータイズフレームワークであるAFSFを提案する。 基礎となる時間的進化構造を学習することで、AFSFはトレーニングの地平線を越えて外挿をサポートする。 数値実験により、AFSFはフィルタリングと平滑化の両方の正確な近似を提供することが示された。
  論文  参考訳（メタデータ） (2026-04-08T14:59:43Z)
• 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)
• 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)
• Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
  フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。 本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
  論文  参考訳（メタデータ） (2023-07-01T02:28:41Z)
• 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)
• Training Compact CNNs for Image Classification using Dynamic-coded Filter Fusion [139.71852076031962]
  動的符号化フィルタ融合(DCFF)と呼ばれる新しいフィルタプルーニング法を提案する。 我々は、効率的な画像分類のために、計算経済的および正規化のない方法でコンパクトなCNNを導出する。 我々のDCFFは、72.77MのFLOPと1.06Mのパラメータしか持たないコンパクトなVGGNet-16を導出し、トップ1の精度は93.47%に達した。
  論文  参考訳（メタデータ） (2021-07-14T18:07:38Z)

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。