利用预测状态推断机器学习进行滤波

ICMLDec, 2015

利用预测状态推断机器学习进行滤波

Learning to Filter with Predictive State Inference Machines

Wen Sun, Arun Venkatraman, Byron Boots, J. Andrew Bagnell

TL;DR提出了一种名为 PREDICTIVE STATE INFERENCE MACHINE（PSIM）的数据驱动方法，用于推断动态系统的预测状态空间，并且实现了一些基于机器人的测试。

Abstract

latent state space models are a fundamental and widely used tool for modeling dynamical systems. However, they are difficult to learn from data and learned models often lack performance guarantees on

latent state space models dynamical systems psim inference predictors

发现论文，激发创造

无采样概率深度状态空间模型

提出了一种基于神经网络的确定性推理算法，用于训练和测试具有未知参数形式的概率深度状态空间模型，实验结果表明该方法在预测性能和计算预算方面具有卓越的平衡性。

Sep, 2023

利用预测状态表示关闭学习和规划循环

本文提出并演示了一种精确学习环境模型的新算法，该算法从行动 - 观测对的序列中直接学习此类环境的模型，并通过在学习的模型中进行规划并恢复一个接近原始环境的最优策略实现从观测到行动的闭环。

Dec, 2009

物理信息化状态空间神经网络应用于传输现象

这项工作介绍了物理信息化状态空间神经网络模型（PSMs），它是实现自主系统中的实时优化、灵活性和容错性的一种新颖解决方案，特别适用于化学、生物医学和电力等以传输为主的系统。通过两个硅橡胶实验 —— 加热通道和制冷系统环路，我们证明了 PSMs 比纯数据驱动模型提供了更准确的方法。除了准确性，PSMs 还具有几个引人注目的用途：通过顺序更新的状态空间表示创建非线性监控控制器以及使用来自 PDE 的残差提出诊断算法。我们进一步提出 PSMs 可以作为数字孪生的基础，不断更新的物理系统的数字表示。

Sep, 2023

用简单世界模型预测未来

我们提出了一种正则化方案，简化了世界模型的潜在动态，使得动态软件状态的不变性更强、智能体行为的效果更可预测。通过结合三种不同的模型类别，我们发现该正则化方案能够提高准确性、泛化性和后续任务的性能。

Jan, 2024

利用模拟器提供的潜在状态学习混合动力学模型

通过黑盒模拟器控制预测，修正模型匹配错误的混合建模新方法。

Sep, 2023

高斯过程状态空间模型中的主动学习

本文研究了高斯过程状态空间模型的主动学习。通过决定其输入，我们可以通过 GPSSM 最优地学习系统的潜在状态，以便选择最具信息量的输入。我们提出了两种逼近潜在状态下 GPSSM 的互信息的方法，并在多个物理系统中进行了评估。

Jul, 2021

PAC 强化学习用于预测状态表示

本文研究了在线强化学习在部分可观测动态系统中的应用，提出了一种基于模型的算法，通过可观测量学习了一个近似最优策略，其样本复杂度与系统的有关参数呈多项式关系。该算法自然地支持函数逼近，可处理具有潜在大状态和观测空间的系统，并且在一些特殊模型中也得到了有效应用。

Jul, 2022

压缩预测状态的高效学习和规划

本研究提出了一种压缩 PSR（预测状态表示）的学习方法，结合降维、增量矩阵分解和压缩感知等技术，用于模型学习和规划。该方法提供了一个原则性的途径来学习 PSR 的准确近似，大大降低了学习的计算成本，并提供了有效的正则化。

Dec, 2013

滤波感知模型预测控制

本文采用滤波器感知的模型预测控制方法，既考虑了不确定性的影响，又可以通过建立一个包含感知能力的模型来显著提高控制性能。

Apr, 2023

多激励投影模拟与受多体物理启发的归纳偏置

深度学习和可解释人工智能领域的研究。介绍了 Projective Simulation 和 Multi-Excitation Projective Simulation 方法以及与超图可视化的应用，通过量子多体物理的少体相互作用模型解决超图的复杂性问题，并在实验中展示了资源节约和可解释性的方面。

Feb, 2024