基于最优输运解释的非线性滤波方法通过模拟和无似然算法估计从当前状态分布到下一个时间步的 Brenier 最优输运映射，利用神经网络建模复杂和多模态分布以及采用随机优化算法提高可伸缩性，通过广泛的数值实验与 SIR 粒子滤波器和集合卡尔曼滤波器进行比较，展示了我们方法在样本效率、高维可伸缩性和捕捉复杂和多模态分布等方面的优越性。

Oct, 2023

本文提出了一种以高斯过程回归为基础的概率数值逼近方法来解决常微分方程，通过构建一个测量序列，观测高斯过程导数和向量场之间的差值，可以将问题转化为非线性贝叶斯滤波问题，从而推导出新颖的高斯支持 ODE 算法以及粒子滤波方法的非高斯近似。

Oct, 2018

用优化方法代替矩阵存储、求逆和乘法、蒙特卡罗估计等不适用于高维状态空间（如人工神经网络的权重空间）的传统方法，将标准的贝叶斯滤波问题转化为对具有时变目标的优化问题。我们发现，在线性 - 高斯模型下的卡尔曼滤波以及非线性模型的实验结果表明，我们的框架能够得到有效、稳健且可扩展到高维系统的滤波器，与标准贝叶斯滤波解决方案相比具有优势，并且我们认为，更容易调整优化器而不是确定正确的滤波方程，使我们的框架成为处理高维滤波问题的有吸引力的选择。

Nov, 2023

通过引入一个附加事件来规定不等条件，我们将条件概率转换成类似于卷积的特殊积分，实现了传统贝叶斯滤波的更普适框架，称之为卷积贝叶斯滤波。该框架包含了标准贝叶斯滤波作为一种特殊情况，当不等条件的距离度量选取为狄拉克函数时。通过选择不同类型的不等条件，我们可以更全面地考虑模型不匹配问题。最后，我们通过将经典滤波算法改造成卷积版本的方式来验证我们的方法的有效性，其中包括了卡尔曼滤波器、扩展卡尔曼滤波器、无迹卡尔曼滤波器和粒子滤波器。

Mar, 2024

提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，用于非线性随机动态系统的系统识别和控制。在机器学习，机器人和控制领域，这种现代的 “系统识别” 方法比参数化函数表示更具鲁棒性。数值评估表明，所提出的方法在其他最先进的高斯滤波器和平滑器无法处理的情况下表现出鲁棒性。

Mar, 2012

研究用于非线性状态空间模型的近似极大似然参数估计，讨论了直接最大化似然和 EM 算法，使用 sigma 点来近似所需积分的高斯滤波和平滑算法，比较了不同阶的 unscented 变换以及高斯 - 埃尔米特积分规则得出的方法在两个模拟实验中的表现

Apr, 2015

提出了用于非线性状态空间模型的深度贝叶斯滤波（DBF）方法，通过构建新的潜在变量并利用高斯逆观测算子进行数据同化，使得 DBF 的后验分布始终保持高斯性质，克服了采样误差积累的问题，并在各种任务和条件下优于基于模型和潜在同化方法。

May, 2024

使用高斯过程作为灵活的模型并使用高斯过程回归直接从稠密数据集中计算估计，开发出一种非参数方法来估计随机微分方程组中的漂移和扩散函数，并开发了一种近似的期望最大化算法来处理稀疏观察之间的未观察到的潜在动态。

Feb, 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

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