論文の概要: Learning to Bias: Machine Learning-Enhanced Particle Filters

• arxiv url: http://arxiv.org/abs/2609.30498v1
• Date: Thu, 24 Sep 2026 19:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.121973
• Title: Learning to Bias: Machine Learning-Enhanced Particle Filters
• Title（参考訳）: バイアスへの学習: 機械学習強化粒子フィルタ
• Abstract要約: 逐次推定では、ノイズや不完全な観測から潜伏状態が推定される。 PFは、このタスクに柔軟なフレームワークを提供するが、しばしばサンプル効率が悪く、次元が不都合なスケーリングに悩まされる。 我々は、オフラインの1ステップ条件付き最適条件から最適な提案に対する補正近似を学習するニューラル最適粒子フィルタ(NOPFs)を導入する。
• 参考スコア（独自算出の注目度）: 2.9348988671295686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential inference estimates latent states from noisy and incomplete observations. Particle Filters (PFs), a class of Monte Carlo methods based on importance sampling, provide a flexible framework for this task, but often suffer from poor sample efficiency and unfavorable scaling with dimension, partly due to suboptimal proposal distributions. We address these challenges by integrating learned proposals into the PF framework. We introduce Neural Optimal Particle Filters (NOPFs), which learn an amortized approximation to the optimal proposal from offline simulated one-step conditioning tuples. The learned proposal is used as a drop-in replacement in standard PF updates, with samples corrected by standard importance weights so that the method asymptotically targets the same filtering distribution under standard support and density-evaluation assumptions. Across stochastic nonlinear benchmarks of varying inference complexity, NOPFs improve sample efficiency and distributional accuracy over standard PF baselines with modest computational overhead. The approach integrates data-driven proposal learning into classical inference without altering the underlying filtering objective.
• Abstract（参考訳）: 逐次推定では、ノイズや不完全な観測から潜伏状態が推定される。 重要サンプリングに基づくモンテカルロ法のクラスであるParticle Filters (PFs) は、このタスクに柔軟なフレームワークを提供するが、しばしば、最適な提案分布のために、サンプル効率が悪く、次元が不都合なスケーリングに悩まされる。 学習した提案をPFフレームワークに統合することで、これらの課題に対処する。 我々は、オフラインの1ステップ条件付きタプルから最適な提案に対する補正近似を学習するニューラル最適粒子フィルタ(NOPF)を導入する。 学習された提案は、標準のPF更新におけるドロップイン代替として使用され、標準の重み付けによってサンプルが修正され、標準の支持と密度評価の仮定の下で、同種のフィルタリング分布を漸近的にターゲットする。 様々な推論複雑性の確率的非線形ベンチマークにおいて、NOPFは標準のPFベースラインよりもサンプリング効率と分布精度を改善し、計算オーバーヘッドは緩やかである。 このアプローチは、基礎となるフィルタリングの目的を変更することなく、データ駆動の提案学習を古典的な推論に統合する。

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)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Unbiased Dynamic Pruning for Efficient Group-Based Policy Optimization [60.87651283510059]
  Group Relative Policy Optimization (GRPO) はLLM推論を効果的にスケールするが、計算コストは禁じている。 本研究では,非バイアス勾配推定を保ちながら動的プルーニングを可能にする動的プルーニングポリシー最適化(DPPO)を提案する。 刈り込みによって引き起こされるデータの空間性を軽減するため,ウィンドウベースの欲求戦略であるDense Prompt Packingを導入する。
  論文  参考訳（メタデータ） (2026-03-04T14:48:53Z)
• 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)
• 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)
• Differentiable Particle Filtering using Optimal Placement Resampling [0.0]
  低分散推定を得るためには、良い提案分布とよい再サンプリング方式が不可欠である。 本研究では,経験的累積分布関数から決定論的サンプリングを行うことにより,微分可能な再サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-26T15:09:56Z)
• Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
  我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
  論文  参考訳（メタデータ） (2023-12-19T06:06:30Z)
• 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)
• Differentiable Particle Filtering via Entropy-Regularized Optimal Transport [19.556744028461004]
  原理微分可能な粒子フィルタを導入し、収束結果を提供します。 最適輸送理論を活用し, 原理的微分可能な粒子フィルタを導入し, 収束結果を提供する。
  論文  参考訳（メタデータ） (2021-02-15T21:05:33Z)

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。