粒子方法用于状态空间模型参数估计
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
提出了一种称为边际粒子滤波器的顺序蒙特卡罗算法,可以直接操作边际分布从而避免在目标分布维度不断增加时进行重要性抽样。同时,通过该算法提出了改进版的辅助粒子滤波器并给出了理论和实证结果,证明了该方法相较于传统粒子滤波可降低方差,并给出了把算法复杂度降至 O (N logN) 的技巧。
Jul, 2012
这篇论文介绍了一种基于粒子学习的方法,该方法使用条件统计量作为粒子来估计状态和参数,并可以解决参数不确定性下的状态平滑问题,实验结果表明该方法优于现有的粒子过滤算法并与 MCMC 算法相当。
Nov, 2010
在该研究中,我们使用基于粒子方法和变分推断的变分序贯蒙特卡洛(VSMC)方法,在时间上分布了 VSMC 代理 ELBO 的梯度的近似,从而实现了面向数据流的在线学习,能够高效地进行参数估计和粒子提议适应。同时,我们提供了与数据量趋于无穷大时该算法收敛性质的严格理论结果,以及在批处理设置中的出色收敛性和实用性的数值说明。
Dec, 2023
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
本文提出了一种应用于状态空间模型的序贝叶斯推断算法 ——SMC^2 算法,它将粒子滤波器和粒子马尔可夫链蒙特卡洛方法相结合,在 θ 维度上进行粒子重要性采样,并通过重新采样步骤和 MCMC 更新步骤来更新粒子,从而解决了状态空间内,用常规方式无法计算出的条件概率密度增量。
Jan, 2011
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
本文介绍了一种新的适应性 SMD 方法,该方法使用了 Kullback-Leibler 散度的近似来自动适应提议分布,该方法非常灵活,适用于任何参数化的提议分布,并支持在线和批处理变量,我们使用新框架来适应基于神经网络的强大提议分布,从而导致神经自适应序贯蒙特卡洛,实验表明,在非线性状态空间模型中,NASMC 显着改善了推断,优于自适应提议方法,包括扩展卡尔曼和无味粒子滤波器,也表明当 NASMC 用作粒子分辨率 Metropolis Hastings 的子程序时,改进的推断可转化为参数学习的改进。最后,我们展示 NASMC 能够训练潜在变量递归神经网络(LV-RNN),达到与多态音乐建模的最新水平竞争的结果。NASMC 可以看作是将自适应 SMC 方法与最近的可扩展的黑箱变分推理工作之间的桥梁。
Jun, 2015
本文提出了一种基于前向滤波后向平滑算法的在线或正向递归计算附加功能期望值的 SMC 算法,相较于标准路径空间 SMC 估计量,该估计量的渐近方差只会线性增加,可以实现不会受到粒子路径退化问题的在线最大似然参数估计算法。
Dec, 2010
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