論文の概要: A Survey of Nonlinear Filtering Methods for Data Assimilation and Recent Advances in Generative AI-Enabled Score Filters

• arxiv url: http://arxiv.org/abs/2611.07160v1
• Date: Wed, 04 Nov 2026 21:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.456283
• Title: A Survey of Nonlinear Filtering Methods for Data Assimilation and Recent Advances in Generative AI-Enabled Score Filters
• Title（参考訳）: データ同化のための非線形フィルタ法の検討と生成型AI対応スコアフィルタの最近の進歩
• Abstract要約: 数値気象予報や山火事追跡といった実世界の応用には、非常に非線形な力学系のモデリングが含まれる。 データ同化は、力学モデルと部分的な雑音観測を組み合わせることで、システムの状態の進化を推定する。 Ensemble Score Filter (EnSF)は、スコア関数にフィルタ密度を符号化し、そのスコアを無トレーニングモンテカルロ推定器で近似することにより、3つの制約をすべて回避する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many real-world applications, such as numerical weather prediction or wildfire tracking, involve modeling highly nonlinear dynamical systems that are chaotic and influenced by various sources of uncertainty. To improve model prediction accuracy and reduce such uncertainties, data assimilation (DA) combines the dynamical model with partial, noisy observations to estimate the evolution of the system's state. Doing so depends on solving the optimal filtering problem: computing the conditional distribution of a hidden state given a sequence of observations. Classical approaches fail along three distinct axes: Kalman-based methods assume Gaussian posteriors and produce biased estimates under nonlinear observation operators; particle-based methods represent distributions with weighted samples and collapse in high dimensions due to the curse of dimensionality; and kernel-based methods move beyond discrete particle representations but cannot maintain their density approximation affordably as dimension grows. The Ensemble Score Filter (EnSF) avoids all three constraints by encoding the filtering density in a score function and approximating that score with a training-free Monte Carlo estimator, enabling stable filtering in high-dimensional, chaotic systems. This survey traces EnSF's mathematical foundations, establishes it as the state of the art for non-Gaussian, high-dimensional filtering, and examines fourteen extensions that expand its operational reach. Twelve of the fourteen extensions preserve this training-free Monte Carlo estimator at the core of the update, with only two departing from it to achieve planetary-scale deployment.
• Abstract（参考訳）: 数値天気予報や山火事追跡のような現実世界の多くの応用は、カオス的で様々な不確実性の源に影響される非常に非線形な力学系をモデル化する。 データ同化(DA)は、モデル予測精度を改善し、不確実性を低減するために、動的モデルと部分的にノイズのある観測を組み合わせることで、システムの状態の進化を推定する。 最適なフィルタリング問題の解法は、一連の観測によって隠された状態の条件分布を計算することである。 古典的なアプローチは3つの異なる軸に沿って失敗する: カルマン法はガウスの後方を仮定し、非線形観測作用素の下でバイアス推定を生成する; 粒子法は重み付けされたサンプルを持つ分布を表現し、次元の呪いによって高次元で崩壊する; カーネル法は離散的な粒子表現を超越するが、次元が大きくなるにつれてその密度近似を十分維持できない。 Ensemble Score Filter (EnSF) は、スコア関数にフィルタ密度を符号化し、そのスコアを無トレーニングモンテカルロ推定器で近似することにより、3つの制約をすべて回避し、高次元カオスシステムでの安定したフィルタリングを可能にする。 この調査は、EnSFの数学的基礎を辿り、非ガウス的で高次元のフィルタリングの最先端として確立し、運用範囲を広げる14の拡張を調査している。 14つの拡張のうち12つは、この訓練のないモンテカルロ推定器を更新の核に残しており、惑星規模の展開を達成するために2つしか離れていない。

関連論文リスト

• Training-Free Bayesian Filtering with Generative Emulators [8.157814461291746]
  本研究では, 粒子フィルタの最適変種である追加トレーニングを必要とせずに, 動的系の拡散型エミュレータを実装可能であることを示す。 大気力学を含む非線形カオス系の実験により、提案手法は粒子フィルタリングを高次元設定に拡張することに成功した。
  論文  参考訳（メタデータ） (2026-05-19T15:52:09Z)
• Natural Gradient Bayesian Filtering: Geometry-Aware Filter for Dynamical Systems [29.83667827978134]
  本チュートリアルでは,情報幾何学的観点からガウスフィルタを再検討する。 本枠組みでは,幾何学的ガウスフィルタ手法を導入する。 1つの自然な漸進的なステップが、線形ガウスの場合のカルマン測度更新を正確に回復することを示す。
  論文  参考訳（メタデータ） (2026-05-04T07:59:02Z)
• DAISI: Data Assimilation with Inverse Sampling using Stochastic Interpolants [12.587156528707796]
  本稿では,フローベース生成モデルに基づくスケーラブルなフィルタリングアルゴリズムであるDAISIを紹介する。 DAISIは, 疎度, 雑音, 非線形の観測を行う体制において, 正確なフィルタリング結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-11-29T00:02:45Z)
• 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)
• 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)
• 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)
• An Ensemble Score Filter for Tracking High-Dimensional Nonlinear Dynamical Systems [10.997994515823798]
  本研究では,高次元非線形フィルタ問題に対するアンサンブルスコアフィルタ(EnSF)を提案する。 ニューラルネットワークをトレーニングしてスコア関数を近似する既存の拡散モデルとは異なり、トレーニング不要スコア推定を開発する。 EnSFは、最先端のLocal Ensemble Transform Kalman Filter法と比較して、驚くべきパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-09-02T16:48:02Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• 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)

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。