本文研究了在线预测未知、部分观察的线性系统生成的观察值的问题，并使用在线最小二乘法来实现对未来观察值的预测，其中系统模型和噪声统计未知，但状态空间已知，本文对 Kalman 滤波器实现了对数遗憾的保证，并扩展到非爆炸系统类别，包括临界不稳定系统。

Feb, 2020

本文介绍了一种有效且实用的在线预测离散线性动态系统的算法，通过过参数化多项式对 LDS 的类别进行替代的方式，以获得损失函数的凸性，从而绕过了非凸最优化问题，并基于一种新颖的滤波技术进行了算法的构建。

Nov, 2017

本文提出了一种连续 - 离散滤波器的系统辨识方法，利用连续时间 Ito 随机微分方程的解作为潜在状态和协方差动力学的基础，通过引入一种新颖的两因子解析后验贝叶斯方法，并通过效率高的计算后验概率的算法，实现了对参数进行估计的 EM 过程，从而扩展了混合卡尔曼滤波器对不规则采样数据以及非线性系统辨识方法的应用范围。

Aug, 2023

这篇研究论文探索了一种新的 Kalman 滤波器，它适用于具有重尾分布的噪声和误差，使用 “尾协方差” 矩阵来求解。与标准的 Kalman-Gaussian 滤波器相比，在使用这种滤波器时，新的观察结果会被一定程度的减弱，特别是对于尾指数较小的情况。

Apr, 2000

本文解决了常见的线性二次估计问题，提出了真正的鲁棒滤波器：在测量噪声被敌对地破坏了甚至只有一个常数部分时，我们给出了强有力的可证明保证。该框架可以模拟重尾和甚至非平稳的噪声过程。我们的算法在鲁棒化卡尔曼滤波器方面具有竞争力，可以与知道破坏位置的最优算法竞争。

Nov, 2021

本文介绍了一种基于梯度下降逼近的 Kalman 滤波方法，其仅需要进行加权预测误差的局部计算，同时还提出了一种适应性学习规则。作者在一个简单的 Kalman 滤波任务中展示了该方法的性能，并提出了一种神经实现方法。

Feb, 2021

从有噪音观测数据中对动态系统进行状态估计是许多应用中的一个基本任务。本文介绍了一种无参数算法，通过简短的迭代过程对 Kalman 滤波器的标准更新步骤进行在线估计，从而减轻观测数据中异常值的有害影响。仿真和实地实验评估证明了我们的方法在滤波场景中对异常值的鲁棒性，相比其他算法表现出有竞争力的性能。

Sep, 2023

该研究提出了一种高效的在线近似贝叶斯推断算法，用于从可能的非静态数据流中估计非线性函数的参数，并通过使用后验精度矩阵的新型低秩加对角线分解，使每步成本与模型参数数量呈线性关系，与基于随机变分推断的方法相比，我们的方法是完全确定性的，不需要步长调整，并显示实验表明，这导致学习速度更快（更节约样本），从而更快地适应不断变化的分布，并作为上下文强化学习算法的一部分积累奖励更快。

May, 2023

论文介绍在线连续学习的挑战和解决方案，提出将深度学习和状态空间模型结合的贝叶斯在线学习模型，并通过有效的卡尔曼滤波重建线性预测权值上的后验分布，采用在线 SGD 算法更新数据中的非稳态性，进而成功应用于多类分类问题，如 CIFAR-100 和 CLOC 数据集。

Jun, 2023

通过分析最小二乘估计器的变体，，提出了一种半参数噪声估计算法，可以解决具有偏差，半参数噪声的估计问题，同时可以应用于部分观测线性系统参数的估计，且对于长期依赖问题的方差引入具有可减少的能力.

Feb, 2019