Jan, 2014

贝叶斯条件密度滤波

PDF
TL;DR本论文提出了一种新的条件密度滤波算法（C-DF），用于有效的在线贝叶斯推断，通过在新数据到达时从条件后验分布的近似中采样，利用统计量消除了同时存储或处理整个数据集的需求，从而提高了内存需求和运行时长，改善了混合度，并展示了其在高维压缩回归中的应用。同时，本文证明了 C-DF 样本随着采样的进行和数据的增多而渐近地收敛于目标后验分布。
conditional density filteringbayesian inferencemcmc samplingsufficient statisticsonline learning
发现论文，激发创造
  • 高斯过程条件密度估计

    本文介绍了一种基于高斯过程的贝叶斯条件密度估计方法，利用隐变量来扩展模型输入，可以应用于小数据集和大数据集，有效地建模稀疏数据区域和多条件共享结构，并应用于出租车乘客下车的时空密度估计、非高斯噪声建模以及少样本学习的实际问题。

    Oct, 2018

  • 快速非参数条件密度估计

    通过建立 full density 模型 f (yjx) 而非只有期望值 E (yjx)，条件密度估计广义了回归。本文提出了双核条件密度估计器，并引入了基于双数树的快速算法，用最大似然准则进行带宽选择，从而在处理多变量数据集时取得 380 万倍的加速。

    Jun, 2012

  • 贝叶斯条件密度估计下无需 ε 的快速模拟模型推理

    该论文提出了一种基于贝叶斯条件密度估计的无似然推断方法，通过有限的模拟数据进行初步的推断，引导后续的模拟，相较于 Monte Carlo ABC 方法，该方法需要较少的模型模拟来获得整个真实后验分布的准确参数化表示。

    May, 2016

  • 卷积贝叶斯滤波

    通过引入一个附加事件来规定不等条件，我们将条件概率转换成类似于卷积的特殊积分，实现了传统贝叶斯滤波的更普适框架，称之为卷积贝叶斯滤波。该框架包含了标准贝叶斯滤波作为一种特殊情况，当不等条件的距离度量选取为狄拉克函数时。通过选择不同类型的不等条件，我们可以更全面地考虑模型不匹配问题。最后，我们通过将经典滤波算法改造成卷积版本的方式来验证我们的方法的有效性，其中包括了卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器和粒子滤波器。

    Mar, 2024

  • 通过累积分布函数进行神经似然度计算

    利用神经网络作为单调函数的通用逼近器，利用参数化的条件累积分布函数建立黑盒子估计器，并在其它构造中比较其性能。

    Nov, 2018

  • 深度贝叶斯滤波在贝叶斯可信数据同化中的应用

    提出了用于非线性状态空间模型的深度贝叶斯滤波（DBF）方法，通过构建新的潜在变量并利用高斯逆观测算子进行数据同化，使得 DBF 的后验分布始终保持高斯性质，克服了采样误差积累的问题，并在各种任务和条件下优于基于模型和潜在同化方法。

    May, 2024

  • 假设密度过滤 Q 学习

    本文提出了一种新的基于 Bayesian 思想的离线 TD 学习方法 ADFQ，采用在线贝叶斯推断方法 Assumed Density Filtering 更新对状态 - 动作值（Q 值）的信念，并通过神经网络进行扩展，实验结果表明 ADFQ 在 Atari 2600 游戏等各种情况下都能优于其他基于 Bayesian 的 RL 算法，针对高度随机的领域或具有大动作空间的领域具有明显的改进。

    Dec, 2017

  • 通过归一化流在顺序蒙特卡罗中进行条件测量密度估计

    在测量模型的微调中，通过条件规范化流，在不同的可微粒子过滤器框架下学习表达丰富而有效的概率密度函数，以捕捉状态下测量的复杂似然性。在视觉跟踪实验中，我们证明了该方法可以带来更好的估计性能和更快的训练收敛。

    Mar, 2022

  • 深度条件转换模型

    介绍了一种名为深度条件变换模型的方法，可用于学习条件累积分布函数，该方法将现有方法统一起来，并同时学习可解释（非）线性模型项和更复杂的神经网络预测器

    Oct, 2020

  • 精确的非线性状态估计

    该研究提出了一种新的非线性估计理论，基于生成式人工智能，用于改进地球系统模型中的数据同化方法，通过引入 Conjugate Transform Filter（CTF）和其集合近似理论（ECTF），以适应任意非高斯分布并保留先验状态的统计关系，从而提高算法的准确性。

    Oct, 2023