論文の概要: AECSF: Adaptive Ensemble Conditional Score Filtering for High-Dimensional Nonlinear Data Assimilation
- arxiv url: http://arxiv.org/abs/2609.32411v2
- Date: Fri, 02 Oct 2026 02:30:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:29.868845
- Title: AECSF: Adaptive Ensemble Conditional Score Filtering for High-Dimensional Nonlinear Data Assimilation
- Title（参考訳）: AECSF:高次元非線形データ同化のための適応アンサンブル条件付きスコアフィルタ
- Abstract要約: トレーニング不要な適応アンサンブル条件スコアフィルタであるAECSFを提案する。
AECSFは,高次元問題における後方サンプリングと非線形フィルタリングの精度を向上することを示した。
- 参考スコア（独自算出の注目度）: 13.847985066885833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian state estimation for high-dimensional nonlinear dynamical systems entails a fundamental tension between statistical fidelity and computational tractability, as particle weights can collapse, while Gaussian ensemble updates can miss non-Gaussian posterior structure. Score-based diffusion filters offer a sampling-based alternative, but existing training-free score filters often rely on heuristic likelihood corrections, which can compromise posterior accuracy by neglecting uncertainty about the system state associated with each noisy reverse particle. To address these issues, we propose AECSF, a training-free adaptive ensemble conditional score filter. AECSF constructs an analytically tractable score estimator from the conditional Tweedie identity, which recasts noisy posterior score estimation as estimating the conditional mean of the system state given a noisy reverse particle and the observation. To estimate these conditional means efficiently, AECSF employs a shared adaptive weighted proposal ensemble, while particle-specific conditional weights yield an estimate for each noisy reverse particle without separate proposal sampling. The proposal ensemble is updated using reverse-particle information within the same reverse-diffusion run to improve conditional-mean estimation. Theoretically, we characterize when a fixed weighted proposal measure yields the exact noisy posterior score. Under stated assumptions, we establish a bound relating conditional-mean estimation errors to reverse-sampling endpoint error. Numerical experiments demonstrate that AECSF improves the accuracy of posterior sampling and nonlinear filtering in high-dimensional problems with limited forecast ensembles.
- Abstract（参考訳）: 高次元非線形力学系のベイズ状態推定は、粒子の重みが崩壊しうるのに対し、ガウスアンアンサンブルの更新は非ガウス後部構造を見逃すため、統計的忠実度と計算的トラクタビリティの基本的な緊張を伴う。
スコアベースの拡散フィルタはサンプリングに基づく代替手段を提供するが、既存のトレーニングなしスコアフィルタは、しばしばヒューリスティックな誤差補正に依存しており、各ノイズの逆粒子に関連するシステム状態の不確実性を無視して、後続の精度を損なう可能性がある。
これらの問題に対処するため、トレーニング不要な適応アンサンブル条件スコアフィルタであるAECSFを提案する。
AECSFは、条件付きTweedie恒等式から解析的に抽出可能なスコア推定器を構築し、ノイズのある逆粒子と観測されたシステム状態の条件平均を推定する。
これらの条件付き手段を効率的に推定するために、AECSFは共用適応重み付き提案アンサンブルを用いており、一方、粒子固有の条件付き重み付けは、別個の提案サンプリングを行うことなく、各ノイズのある逆粒子に対して推定を行う。
提案アンサンブルは、条件平均推定を改善するために、同じ逆拡散ラン内の逆粒子情報を用いて更新される。
理論的には、固定重み付けされた提案測度が正確な雑音後スコアを得るときの特徴付けを行う。
条件付き平均推定誤差と逆サンプリングエンドポイント誤差との有界な関係を仮定する。
数値実験により,AECSFは予測アンサンブルに制限のある高次元問題において,後方サンプリングと非線形フィルタリングの精度を向上することを示した。
関連論文リスト
- Learning to Bias: Machine Learning-Enhanced Particle Filters [2.9348988671295686]
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。
論文 参考訳（メタデータ） (2026-09-24T19:35:23Z) - Bayes-Optimal BER and AUC: Estimation and Evaluation of Estimators [47.001801756596926]
機械学習の基本的な量は、与えられたタスク上の任意のモデルによって達成可能な最適なパフォーマンスである。
最近の研究により、ベイズ誤差は二項分類におけるソフトラベルから推定できることが示されている。
最適なBERとAUCのためのソフトラベルに基づく推定器を提案する。
論文 参考訳（メタデータ） (2026-09-02T08:49:23Z) - Ensemble Controlled-Flow Filtering for Implicit Data Assimilation [11.531404987674378]
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。
論文 参考訳（メタデータ） (2026-07-14T17:16:37Z) - Variance-Reduced Diffusion Sampling via Target Score Identity [0.0]
クリーンな(ターゲット)スコアが利用可能か,あるいは近似可能な設定において,スコア推定と拡散に基づくサンプリングの分散化について検討した。
我々は、標準の逆時間解法と互換性のあるプラグアンドプレイ非パラメトリックな自己正規化重要度サンプリング推定器を開発した。
PDE-Governed Inverse問題と合成ターゲット実験により, 固定シミュレーション予算に対する試料品質の改善が示された。
論文 参考訳（メタデータ） (2026-01-04T16:46:31Z) - DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Multivariate Conformal Prediction via Conformalized Gaussian Scoring [44.99833362998488]
条件密度 $mathbbP_Y|X$ を推定し、そのレベルセットを共形化する。
出力値が不足した共形集合を構築し、$Y$に関する部分的な情報として共形集合を洗練し、出力空間の変換に関する共形集合を構築する方法を示す。
論文 参考訳（メタデータ） (2025-07-28T15:55:29Z) - Error-quantified Conformal Inference for Time Series [55.11926160774831]
時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。
量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。
ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
論文 参考訳（メタデータ） (2025-02-02T15:02:36Z) - Adaptive Conformal Prediction by Reweighting Nonconformity Score [0.0]
我々は、QRF(Quantile Regression Forest)を用いて、不整合スコアの分布を学習し、QRFの重みを利用して、テストポイントに類似した残差を持つサンプルにより重要度を割り当てる。
提案手法は,仮定のない有限標本境界範囲と訓練条件範囲を満足し,適切な仮定の下で条件付き範囲を確保できる。
論文 参考訳（メタデータ） (2023-03-22T16:42:19Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z)
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。