本研究提供了一种基于高斯过程回归的 Bayesian 方法的解释,用于参数估计和比较动态系统,提高了非线性动态系统的参数估计和性能准确度,弥补了该方法的严谨数学框架不足之处。
Apr, 2018
该论文提出了一种使用 Kalman 递归实现线性时间推断的方法,避免了数值不稳定和收敛问题,通过实现该方法,解决了在处理非高斯似然时所遇到的麻烦,同时达到了快速稳定的变分推断效果,可处理包含百万数据点的时间序列的状态空间高斯过程模型。
Jul, 2020
采用观测数据来辅助建立初始状态,改善初始状态优化难题并提高混沌系统的预测质量。
Feb, 2021
本文介绍了一种使用欧拉 - 马鲁雅马方法对扩散过程离散化,并应用变分推断方法共同学习参数和扩散路径的方法。这种方法使用平均场变分近似参数后验分布,并引入递归神经网络来近似参数条件下扩散路径的后验分布,所得结果可用于具有轻微调整需求的任何 SDE 系统,并在短短几个小时内产生准确的参数估计。
Feb, 2018
利用变分推断学习参数化分析映射,通过估计条件分布对于动态系统的滤波分布,在过滤线性和非线性动态系统中也适用。
Jun, 2024
使用逆问题和储水池计算,我们开发了一个无模型、完全数据驱动的框架,能够从部分状态观测实时准确追踪变化的参数。该框架在各种复杂的非线性动力系统中表现出强大的性能,并解决了影响追踪性能的相关问题。
Nov, 2023
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
本文介绍了一种新的变分推理方案,用于建模高斯过程的动态系统的转换函数。该方法可以消除潜在系统状态和转移函数之间的因式分解并更准确地预测转移函数。
Jun, 2019
本文提出了结合 inducing points 和 state-space formulation 的方法,并给出了相应的 varitational parameterisation 公式,该方法在深度高斯过程模型中的应用效果明显。
Jan, 2020
本文介绍了一种基于路径增强和数据驱动控制的方法,可以高效地确定低采样率下系统的确定性力量,以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。
Apr, 2023