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

在存在异常值和误设测量模型的状态空间模型的在线滤波中，我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法（如扩展和集成卡尔曼滤波器）相结合，其中前者用于展示鲁棒性，后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题（如物体跟踪、高维混沌系统的状态估计和在线神经网络学习）中，我们在更低的计算成本下与其他鲁棒滤波方法（如基于变分贝叶斯的方法）相匹配或表现更好。

May, 2024

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

本文研究了 Kalman filter 在时间序列预测和分析中的应用，证明了当过程噪声非退化时，预测的依赖关系呈指数衰减。由此推导出基于少量最近观测的 LDS 线性动态系统在线算法。它的更新运行时间与回归深度成线性关系。

Sep, 2018

研究分布鲁棒平均误差估计问题，提出分布鲁棒 Kalman 滤波器以对抗模型风险，使用非凸的 Wasserstein 不确定性集合中的正态分布，通过可行的凸规划以 Frank-Wolfe 算法计算方向搜索子问题的解。我们展示了最优估计器和最不利分布构成了一种纳什均衡。

Sep, 2018

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

本文研究了利用系统辨识方法设计 Kalman 滤波器的问题，给出了一种两步法：第一步是获取有限数据的状态空间参数和 Kalman 增益的粗略估计，第二步是利用这些估计参数设计产生系统状态估计的滤波器，研究发现当获取的参数精确度较高，或核心的 Kalman 滤波器具有足够的鲁棒性时，计算得到的等价 Kalman 滤波器具有可证明的次优保证，也证明对于较脆弱的滤波器，采取附加的鲁棒约束可提高次优保证性能，同时提出用样本复杂度度量此问题的最小观测数据数。

Dec, 2019

研究了在存在 Lipschitz 连续生成模型的情况下，从嘈杂的非线性测量中估计未知的 n 维信号问题。研究表明，非一致恢复保证在 i.i.d. 下成立，并且这种方案可以抵抗对抗性噪声，同时经过推广，可以适用于神经网络生成模型和其他测量模型。

Jun, 2020

本文首次给出了一个多项式时间算法，用于在示例和标签中对抗性堕落下执行线性或多项式回归，并基于 SoS 方法提出了一种自然的凸松弛方法来解决非凸优化问题。

Mar, 2018