高维深度特征空间中因式分解推断的递推卡尔曼网络

ICMLMay, 2019

高维深度特征空间中因式分解推断的递推卡尔曼网络

Recurrent Kalman Networks: Factorized Inference in High-Dimensional Deep Feature Spaces

Philipp Becker, Harit Pandya, Gregor Gebhardt, Cheng Zhao, James Taylor...

TL;DR本文提出了一种名为 RKN 的循环卡尔曼网络，它可以在不使用其他近似方法（如变分推断）的情况下，使用反向传播直接学习高维因式分解潜在状态表示，从而具有能够精确估计不确定性的能力，并在图像插值任务中优于多种生成模型。

Abstract

In order to integrate uncertainty estimates into deep time-series modelling, Kalman Filters (KFs) (Kalman et al., 1960) have been integrated with deep learning models, however, such approaches typically rely on a

uncertainty estimates deep time-series modelling kalman filtering approximate inference techniques recurrent kalman network

发现论文，激发创造

循环神经滤波器：学习独立的贝叶斯滤波步骤进行时间序列预测

本文介绍了一种新的循环自编码器结构 —— 递归神经过滤器（RNF），通过一系列编码器和解码器学习 Bayesian 滤波每一步的不同表示，应用于三个实际时间序列数据集上，证明了这种解耦表示不仅提高了一步预测的准确性，同时提供了可信的不确定度估计，而且通过分离编码器阶段促进了多步预测。

Jan, 2019

KARNet: 自主驾驶任务中学习世界模型的卡尔曼滤波增强循环神经网络

本文提出了一种基于卡尔曼滤波增强的递归神经网络架构，通过前向摄像头图像学习交通流的潜在表示，结果表明在端到端学习中加入车辆的显式模型（使用卡尔曼滤波估计状态）可以显著提高性能。

May, 2023

深度卡尔曼滤波器

该论文提出了一种使用时间生成模型进行反事实推断的方法，利用统一算法高效地学习广谱卡尔曼滤波器，其中还引入了 “Healing MNIST” 数据集用于建模，并基于 8000 名患者超过 4.5 年的电子病历数据显示了其对反事实推断的有效性。

Nov, 2015

基于矩阵集成卡尔曼滤波器的多臂神经网络充分近似深度神经网络

我们提出了一种基于多臂扩展的卡尔曼滤波器的深度学习近似器，通过这种方法在样本量太小无法训练多臂深度学习模型时实现了对深度学习的近似。我们的技术可以逼近长短期记忆网络，并将从这些网络得到的预测结果附加不确定性，以用于对多糖利用基因组序列的微生物样本消化和利用何种碳水化合物底物的分类任务。

Jul, 2023

深度卡尔曼滤波器能够进行滤波

连续时间的深度卡尔曼滤波器 (DKF) 可以近似实现一类非马尔可夫和条件高斯信号过程的条件概率分布，适用于数学金融中的债券和期权价格模型校准等传统基于模型的过滤问题。

Oct, 2023

基于低秩扩展卡尔曼滤波的神经网络在线学习

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

深度学习中的多元不确定性

本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

Oct, 2019

计算感知的卡尔曼滤波和平滑

高维 Gauss-Markov 模型的推断中，我们提出了一种概率数值方法以解决滤波和平滑中存在的时间和内存复杂性难题，并演示了该方法在大规模气候数据集上的可扩展性。

May, 2024

降秩卡尔曼滤波器：高维近似动态降秩滤波

本文提出了一种适用于高维动态系统的近似高斯滤波和平滑方法，通过投影预测步骤中与 Lyapunov 方程相关联的低秩矩阵流形来推进低秩协方差矩阵的逼近，从而将算法的复杂度从 Kalman 滤波的立方降至最坏情况下的二次方、并且在满足一定条件下可达到线性复杂度， experiments 中表明该方法在均值和协方差误差方面的表现优于基于集合的方法，成本不增加。

Jun, 2023

超越卡尔曼滤波：基于深度学习的滤波器改进的物体追踪

我们提出了两种创新的数据驱动滤波方法，通过结合可训练的运动模型进行对象位置预测，并将观察结果与对象检测器的预测相结合，以提高边界框预测准确性。我们的方法在多个数据集上进行了广泛评估，证明在对象跟踪方面，尤其是非线性运动模式的情况下，我们的滤波器优于传统的 Kalman 滤波器。

Feb, 2024