一种用于学习非线性动态系统的灵活状态空间模型
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
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
研究提出了一种基于高斯过程矢量场的非参数 ODE 建模方法,可以不需要先验知识学习任意连续时间系统的基本动力学,并利用稀疏数据推断系统的未来动态和进行模拟。
Mar, 2018
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
本文提出了一种基于高斯过程状态空间模型的主动学习策略,旨在获取状态操作空间有界子集上的准确模型,并通过模型预测控制集成探索过程中收集的信息和自适应改进探索策略。
May, 2020
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
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
利用随机特征逼近实现可伸缩、在线的高斯过程集成学习方法可广泛应用于不同的基础扩展模型,并能更好地选择具体的基础扩展方式。同时,能够将多种完全不同的模型进行集成,包括高斯过程和多项式回归。最后,提出了一种新颖的将静态和动态模型进行集成的方法。
May, 2024