論文の概要: Contractor Filters

• arxiv url: http://arxiv.org/abs/2610.18040v1
• Date: Tue, 13 Oct 2026 09:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:34:58.826122
• Title: Contractor Filters
• Title（参考訳）: コンダクタフィルタ
• Abstract要約: 契約子フィルタ(CF)は非線形連続時間状態推定のための集合メンバシップアーキテクチャである。 CFは、更新後の幾何学的囲いを再構成するのではなく、請負業者の合成によって象徴的に実現可能な状態を表す。
• 参考スコア（独自算出の注目度）: 0.30458514384586394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Contractor Filters (CFs), a set-membership architecture for nonlinear continuous-time state estimation with bounded uncertainties and sporadic outliers. CFs represent feasible states symbolically by compositions of contractors rather than rematerializing a geometric enclosure after each update. This provides an abstraction layer between the set-theoretic filtering equations and their numerical realization, so prediction, correction, ambiguity, and outlier handling can be expressed within one algebra without prescribing a state geometry. We derive an exact nominal recursion and a guaranteed robust enclosure, with validated flow inclusions preserving soundness. Optional sub-paving compression then provides finite outer representations. CFs are evaluated against a robust particle filter on range-only and terrain-based localization under outliers, probabilistic model mismatch, association ambiguity, and multimodality. CFs retain the simulated truth in all tested configurations, while particle-filter reliability degrades under persistent bias and spatial aliasing. Contractor strength and compression budget control the trade-off between paving tightness and computational cost, while preserving the enclosure guarantee.
• Abstract（参考訳）: 本研究では,境界不確かさと散発的外乱を考慮した非線形連続時間状態推定のための集合メンバシップアーキテクチャであるContractor Filters (CFs)を紹介する。 CFは、更新後の幾何学的囲いを再構成するのではなく、請負業者の合成によって象徴的に実現可能な状態を表す。 これは、集合論的なフィルタリング方程式とそれらの数値的実現の間の抽象層を提供するので、状態幾何学を規定することなく、予測、補正、あいまいさ、および外乱処理を1つの代数内で表現することができる。 我々は,音質を保った流れを含む,正確な名目再帰と頑健な囲いの保証を導出する。 任意の部分舗装圧縮は有限外部表現を提供する。 CFは, アウトレーヤ, 確率モデルミスマッチ, 相関あいまいさ, マルチモーダリティの下で, 範囲限定および地形ベースでのロバスト粒子フィルタに対して評価される。 CFは全ての試験された構成においてシミュレートされた真理を保ち、粒子フィルタの信頼性は永続バイアスと空間エイリアスの下で低下する。 契約者強度と圧縮予算は、囲い保証を保ちながら、舗装の締め付け性と計算コストの間のトレードオフを制御する。

関連論文リスト

• A differentiability framework for zigzag persistent homology via linear interpolation [0.0]
  固定複体上の時間依存フィルタリング値をしきい値にすることで得られる単純複体列の枠組みを開発する。 明示的な測度-零排他集合の外側の局所リプシッツ連続性を証明する。 このような保証がなくても、この排他的集合は効果的に最適化できるほど小さいと論じる。
  論文  参考訳（メタデータ） (2026-09-30T08:12:34Z)
• AECSF: Adaptive Ensemble Conditional Score Filtering for High-Dimensional Nonlinear Data Assimilation [13.847985066885833]
  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。
  論文  参考訳（メタデータ） (2026-09-26T09:37:52Z)
• On the Limits of Support-Preserving Alignment and Bounded Filtering [6.81442534768994]
  本研究では, ベースモデルの出力分布を再構成するアライメントスキームと, 境界付き安全フィルタを組み合わせることで, 現代の大言語モデルにおいて有害な振る舞いの確率をゼロにすることができるかを検討する。
  論文  参考訳（メタデータ） (2026-07-01T00:34:59Z)
• C$^{2}$R: Cross-sample Consistency Regularization Mitigates Feature Splitting and Absorption in Sparse Autoencoders [56.67585330425431]
  スパースオートエンコーダ(SAE)は、アクティベーションをスパースで人間の理解可能な機能に分解することで、大きな言語モデルを解釈するために広く使われている。 これらの問題は、サンプル間の一貫性のない潜在的な割り当てに起因している。 我々はC$2$Rを導入し、これは方向的に類似した潜伏剤の共活性化を罰する。
  論文  参考訳（メタデータ） (2026-06-29T17:45:31Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
  フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。 グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。 これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。 Byz-Clip21-SGD2Mを提案する。
  論文  参考訳（メタデータ） (2026-03-24T17:39:09Z)
• Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination [8.826173150779145]
  分散ロバストな最適化(DRO)は、あいまいさセットよりも最悪のケースで予想される損失を最小化する。 我々は,IPクレダルセットが,解釈可能な許容レベルを持つDRO目標にどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2026-01-29T06:37:36Z)
• Uncertainty Representations in State-Space Layers for Deep Reinforcement Learning under Partial Observability [59.758009422067]
  線形状態空間モデルにおいて閉形式ガウス推論を行う独立なカルマンフィルタ層を提案する。 効率的な線形リカレント層と同様に、Kalmanフィルタ層は並列スキャンを使用してシーケンシャルデータを処理している。 実験により、不確実性推論が意思決定の鍵となる問題においてカルマンフィルタ層が優れており、他のステートフルモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-25T11:22:29Z)

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。