論文の概要: A Pretrained Model for Bayesian Filtering in Heterogeneous Dynamical Systems

• arxiv url: http://arxiv.org/abs/2610.40437v1
• Date: Thu, 29 Oct 2026 16:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.54248
• Title: A Pretrained Model for Bayesian Filtering in Heterogeneous Dynamical Systems
• Title（参考訳）: 不均一力学系におけるベイズフィルタの事前学習モデル
• Abstract要約: FilterFMはベイズフィルタの最初の事前訓練されたモデルであり、単一のチェックポイントを持つ異種系にまたがる潜在状態を推定する。 ドメイン内のパフォーマンスが優れており、堅牢性、ランタイム効率、ノイズに大きな改善をもたらす。 これは、目に見えないダイナミックスでゼロショットフィルタリングをうまく実現した最初のモデルである。
• 参考スコア（独自算出の注目度）: 22.274878739219876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Filtering has not yet had its foundation-model moment: state estimation is still dominated either by online Bayesian filtering algorithms that require known dy- namics as inputs, or by learning-based neural filters trained from scratch for a single system or parametric family. The core challenge is structural heterogene- ity: dynamical systems differ in their governing dynamics, physical scales, and noise levels, precluding a shared representation space for a reusable filter. To bridge this gap, we introduce FilterFM, the first pretrained model for Bayesian filtering that estimates latent states across heterogeneous dynamical systems with a single checkpoint. FilterFM employs a hierarchical two-level observation se- quence encoder and a prior-to-posterior state-reconstruction module that together handle varying observation and state dimensions across heterogeneous systems, while modeling state uncertainty via quantile prediction. Trained on a mixture of heterogeneous filtering tasks, FilterFM exhibits superior in-domain performance, delivering significant gains in estimation accuracy, runtime efficiency, and noise robustness compared to existing baselines. Beyond in-domain performance, it marks the first model to successfully enable zero-shot filtering on unseen dynamics, bridging the generalization gap in state estimation. Furthermore, we uncover clear scaling behaviors in foundation-model-based Bayesian filtering, which combined with comprehensive component ablation studies, validate the structural optimality of our design and broaden the generalization scope for this research field.
• Abstract（参考訳）: 状態推定は、入力として既知のdy-namicを必要とするオンラインベイズフィルタリングアルゴリズムや、単一のシステムまたはパラメトリックファミリーのためにスクラッチからトレーニングされた学習ベースのニューラルフィルタによって、依然として支配されている。 力学系は、その制御力学、物理スケール、ノイズレベルが異なり、再利用可能なフィルタの共有表現空間を前提としています。 このギャップを埋めるために、単一チェックポイントで不均一な力学系にまたがる潜在状態を推定するベイズフィルタの最初の事前訓練モデルであるFilterFMを導入する。 FilterFMは階層的な2段階のシークエンスエンコーダと、異種システム間で異なる観測と状態次元を同時に処理し、量子的予測による状態の不確かさをモデル化する事前から後までの状態再構成モジュールを採用している。 不均一なフィルタリングタスクの混合に基づいてトレーニングされたFilterFMは、ドメイン内のパフォーマンスが優れており、既存のベースラインと比較して推定精度、実行効率、ノイズロバスト性が大幅に向上している。 ドメイン内のパフォーマンス以外にも、目に見えないダイナミックスのゼロショットフィルタリングを成功させる最初のモデルであり、状態推定における一般化ギャップを埋めている。 さらに, 基礎モデルに基づくベイズフィルタにおいて, 包括的成分アブレーション研究と組み合わせたスケーリング挙動を明らかにし, 設計の構造的最適性を検証し, 一般化範囲を広げる。

関連論文リスト

• Improving Ensemble Filters with Flow Matching [46.98905723334405]
  FlowEFは、4つの古典的なアンサンブルフィルタに対して決定論的および確率的メトリクスの両方を改善している。 また、最先端の生成データ同化モデルの中でも最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-09-23T12:37:45Z)
• Generative Bayesian Filtering for State Estimation [8.548885512840073]
  条件付き変分オートエンコーダ(CVAE)によりパラメータ化される事前制約付き条件付き生成モデルに、制約付き観測モデルを置き換えるフィルタリングフレームワークを提案する。 製造システム監視と不整脈診断を含む合成データセットと実世界の応用の実験は、GBFがベースラインアプローチと比較して状態推定精度と堅牢性を改善することを示した。
  論文  参考訳（メタデータ） (2026-07-09T00:05:23Z)
• Iterated Invariant EKF for Quadruped Robot Odometry [2.975934604778082]
  我々はIterIEKFに基づく脚ロボットのための新しいオープンソース状態推定アルゴリズムを提案する。 We demonstrate that the IterIEKF are out of the vanilla IEKF, the SO(3)-based Kalman Filter, and its iterationated variant in both accuracy and consistency。
  論文  参考訳（メタデータ） (2026-04-16T18:09:15Z)
• Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems [4.382988524355736]
  正規化フローを統合したフローベースベイズフィルタ(FBF)を提案する。 このフレームワークは、フローの正規化によって提供される可逆変換を用いて、効率的な密度推定とサンプリングを容易にする。 数値実験によりFBFの精度と効率が向上した。
  論文  参考訳（メタデータ） (2025-02-22T14:04:23Z)
• TrackDiffuser: Nearly Model-Free Bayesian Filtering with Diffusion Model [23.40376181606577]
  本稿では,条件拡散モデルとしてベイズフィルタを再構成することにより,両方の課題に対処する生成フレームワークであるTrackDiffuserを提案する。 提案手法は,不正確なSSMの影響を軽減するために,データからシステムダイナミクスを暗黙的に学習する。 TrackDiffuserはSSMの不正確性に顕著な堅牢性を示し、実世界の状態推定問題に対する実用的な解決策を提供する。
  論文  参考訳（メタデータ） (2025-02-08T16:21:18Z)
• 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)
• 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)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)
• 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)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)

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。