利用粒子 MCMC 对高斯过程状态空间模型进行贝叶斯推断和学习

Jun, 2013

利用粒子 MCMC 对高斯过程状态空间模型进行贝叶斯推断和学习

Bayesian Inference and Learning in Gaussian Process State-Space Models with Particle MCMC

Roger Frigola, Fredrik Lindsten, Thomas B. Schön, Carl E. Rasmussen

TL;DR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。

Abstract

state-space models are successfully used in many areas of science, engineering and economics to model time series and dynamical systems. We present a fully Bayesian approach to inference \emph{and learning} (i.e. state estimation and system identification) in nonlinear nonparametric st

state-space models bayesian inference nonlinear nonparametric models gaussian process particle markov chain monte carlo

发现论文，激发创造

高效的贝叶斯学习高斯过程空间模型

本文介绍了一种用高斯过程状态空间模型进行高效贝叶斯学习的方法，其中高斯过程投影到利用先验协方差结构导出的一组近似特征函数集合上。通过谨慎设计的粒子 MCMC 算法，可以在这种模型家族下进行学习。相比传统的系统识别工具或现有的学习方法，我们在模型不确定性的可靠量化方面表现更具竞争力。

Jun, 2015

变分高斯过程状态空间模型

该论文介绍了利用稀疏高斯过程进行非线性状态空间建模的高效变分贝叶斯学习的过程，以及后续的可处理的非线性动态系统建模、模型容量和计算成本的平衡、避免过度拟合以及使用混合推理方法（变分贝叶斯和顺序蒙特卡洛）进行主算法等。

Jun, 2014

高斯过程状态空间模型的识别

本文介绍了 Gaussian 过程状态空间模型，并探讨最大的挑战 —— 系统识别，提出了基于双向循环神经网络的结构化高斯变分后验分布来处理推断问题，并使用重参数化技巧有效计算边缘似然的下界，可以在观察到真实系统的少量数据后生成可信赖的未来轨迹。

May, 2017

可扩展贝叶斯状态空间模型的变分推断与 SMC 取样算法

本文提出了一种可扩展的近似贝叶斯推断方法，在泛型状态空间模型中，相较于粒子 MCMC 提供了动态潜在状态和模型静态参数的完全贝叶斯推断，从而在多元随机波动模型和自激兴奋点过程模型中实现了可扩展的推断。

May, 2018

高斯过程学习非线性动力学

科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。

Dec, 2023

非线性状态空间模型的结构化推理网络

本研究提出了一种统一算法，以高效学习一类广泛的线性和非线性状态空间模型为主，包括由深度神经网络建模的发射和转移分布，使用结构化变分逼近参数化的循环神经网络来模拟后验分布，同时学习编译的推理网络和生成模型。通过应用于合成和真实数据集，本算法展现了其可扩展性和通用性，并发现使用结构化的后验近似会导致具有显著更高留存的可能性的模型。

Sep, 2016

随机微分方程的近似贝叶斯学习

使用高斯过程作为灵活的模型并使用高斯过程回归直接从稠密数据集中计算估计，开发出一种非参数方法来估计随机微分方程组中的漂移和扩散函数，并开发了一种近似的期望最大化算法来处理稀疏观察之间的未观察到的潜在动态。

Feb, 2017

粒子方法用于状态空间模型参数估计

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

无限时间高斯过程

该文介绍了一种针对时间序列数据的非参数预测与降噪方法，使用高斯过程和卡尔曼滤波实现。此外还讲到了基于单次环境传输因子的推断方法，在算法复杂度方面有较好的优化表现，并且可以用于在线学习。

Nov, 2018

一种用于学习非线性动态系统的灵活状态空间模型

本文介绍了一种基于基函数扩展表达的非线性状态空间模型，通过连接高斯过程发展先验条件对系数进行学习，进而使用最先进的序贯蒙特卡罗方法进行系数学习，结果表明该方法在经典基准数据集和真实数据上取得了良好的结果。

Mar, 2016