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

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

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。

May, 2019

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

Kalman filters are widely used for estimating hidden variables and their application in neural decoding is explored in this paper, presenting a new version that leverages Bayes' theorem for improved filter performance. The paper provides an open-source Python alternative to the authors' MATLAB algorithm, and the efficacy of the new filter is examined in neuroscientific contexts using multiple random seeds and previously unused trials from the authors' dataset.

Jan, 2024

使用 Transformer 实现卡尔曼滤波，该方法可以近似卡尔曼滤波器并且可以用于测量反馈控制，实现与标准最优控制策略相近的性能。

Dec, 2023

深度核机器（DKMs）是一种最近引入的核方法，具有包括深度神经网络和深高斯过程在内的其他深度模型的灵活性。本文介绍了卷积 DKMs 以及一种高效的跨域引导点逼近方案，并且开发和实验评估了多种模型变体，包括针对卷积 DKMs 设计的 9 种不同类型的规范化方法、两种似然函数和两种不同类型的顶层。尽管训练时间只需要大约 28 个 GPU 小时，比完整的 NNGP/NTK/Myrtle 核函数快 1 到 2 个数量级，但结果模型在 MNIST 上达到约 99% 的测试准确率，在 CIFAR-10 上达到 92% 的准确率，在 CIFAR-100 上达到 71% 的准确率，同时实现了可比较的性能。

Sep, 2023

通过发展一种称为 Pathspace Kalman Filter (PKF) 的 KF 扩展算法，我们能够动态跟踪与底层数据和先验知识相关的不确定性，并利用贝叶斯方法量化不同的不确定性来源，并且在生物学时间序列数据集上的应用表明，PKF 在合成数据集上的表现优于传统的 KF 方法，均方误差缩小了几个数量级。

Feb, 2024

研究深核学习在处理真实数据时可能存在的过拟合问题及其原因，使用 UCI、CIFAR-10 和 UTKFace 三个数据集进行实验验证。发现过度最大边缘似然优化可能会导致严重的过拟合问题，并通过完全贝叶斯方法得到了更好的性能提升。

Feb, 2021

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