本文综述了粒子方法在状态空间模型中进行静态参数估计的应用,探讨了这些方法的优点和局限性,并以简单模型为例说明了它们的性能。
Dec, 2014
通过向状态转移动力学分布中添加高斯过程先验,结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法,提出了一种非线性非参数状态空间模型的完全贝叶斯方法。
Jun, 2013
本文研究了粒子方法逼近平滑分布问题,并提出线性时间复杂度的联合平滑分布的逼近算法。在该模型下,本文的主要贡献是建立了收敛性质和边界,证明了一些误差估计的一致性。
Feb, 2012
本文介绍了神经粒子平滑法,一种用于从给定概率模型中采样输入字符串注释的顺序蒙特卡罗方法,通过训练向前看的 LSTM 来改进样本的质量,同时解释了神经模型和神经采样器可被视为处理非常大状态空间上的 HMM 时的低维非线性逼近。
Apr, 2018
本文提出了一种可微粒子滤波器的在线学习框架,通过采用无监督损失来构建在线模型更新过程,实现随着数据的到达更新模型参数;通过在模拟设置中进行实证评估,并与监督学习方法进行比较,包括多元线性高斯状态空间模型和模拟物体跟踪实验。
Dec, 2023
提出了一种可微分的重采样方案,通过从经验累积分布函数进行确定性采样,用于粒子滤波器的参数推断和提议学习任务。
Feb, 2024
从稀疏观测数据中学习动力系统是许多领域(包括生物学、金融学和物理学)的一个关键问题。这篇论文介绍了一种将条件粒子滤波与祖先采样和扩散模型相结合的方法,能够生成与观测数据相符合的逼真轨迹。该方法基于迭代条件粒子滤波与祖先采样生成匹配观测边缘概率的合理轨迹,并学习相应的扩散模型。该方法既为复杂约束下高质量、平滑的轨迹提供了一种生成方法,又有效近似了粒子平滑分布在经典跟踪问题中。我们在时间序列生成和插值任务上展示了该方法,包括车辆追踪和单细胞 RNA 测序数据。
Jun, 2024
本文介绍了一种基于神经网络的可微分粒子滤波器 (RLPF) 来解决在系统可能在有限集合的状态空间模型之间切换的情况下同时学习各个模型及切换过程的问题,并提出了相应的训练方法。通过数值实验,我们证明了与先前最先进的算法相比,RLPF 取得了有竞争力的性能。
May, 2024
通过训练数据来区分地学习基于粒子的不确定性表示方法,通过深度神经网络编码器对任意观测进行条件下的连续概率混合分布表示的混合密度粒子滤波器,在连续潜在状态中提升准确性和鲁棒性。
Apr, 2024
本文介绍了一种新的方法 PF-Net,将粒子滤波算法和神经网络相结合,为具有复杂动态或丰富感知输入的系统构建概率系统模型。实验结果表明,PF-Net 在机器人视觉定位任务中具有更好的表现和普适性。
May, 2018