Apr, 2024

状态空间系统作为动态生成模型

PDF
TL;DR一种基于概率的框架，用于研究确定性离散时间状态空间系统在输入和输出过程之间引入的依赖结构；在满足一定的条件下，这种系统成为两个序列空间之间的概率依赖关系的生成模型，且使用 Wasserstein 度量时，确保输出连续依赖于输入；通过该方法可以证明输出过程在某种特定意义上是因果的，并且推广了纯确定性情况下研究的输出过程。
probabilistic frameworkdeterministic discrete-time state-space systemsecho state propertygenerative modelwasserstein metric
发现论文，激发创造
  • 无采样概率深度状态空间模型

    提出了一种基于神经网络的确定性推理算法，用于训练和测试具有未知参数形式的概率深度状态空间模型，实验结果表明该方法在预测性能和计算预算方面具有卓越的平衡性。

    Sep, 2023

  • 状态相关噪声的高斯过程用于随机控制

    该论文考虑了使用高斯过程学习动态系统的残差模型不确定性的随机控制框架，其中残差模型不确定性包括非线性函数和状态相关噪声，并提出了一种后验高斯过程来近似残差模型不确定性和一种先验高斯过程来解释状态相关噪声，这两种高斯过程相互依赖并使用迭代算法共同学习，该方法有快速收敛和准确的状态相关噪声估计的优势。

    May, 2023

  • 时态图上的状态空间模型：第一原理研究

    本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了 GraphSSM 框架，用于建模时间图的动态性，实验证明 GraphSSM 在各种时间图基准测试中的有效性。

    Jun, 2024

  • 状态空间模型的 Granger 因果性

    通过求解离散代数里卡蒂方程，可以直接从状态空间模型参数中简单计算时域和频域的 Granger 因果关系，这种方法比纯自回归估计器具有更大的统计能力和更小的偏差。

    Jan, 2015

  • 从谱定理到统计独立性及其在系统辨识中的应用

    高维随机动力系统中，系统识别的关键是通过观察到的轨迹对系统进行状态转移矩阵估计。由于空间 - 时间相关性，当动力系统具有一个不同的特征值且失配度为 n-1 时，可能导致维度的诅咒问题。通过最小二乘回归处理这些发现来进行误差分析。

    Oct, 2023

  • 概率循环状态空间模型

    本篇论文提出了一种基于双重随机变分推断和高斯过程的可扩展训练算法，用于可靠地训练完全概率状态空间模型中的潜在状态时间相关性， 并在真实世界基准数据集集上评估了所提出的 PR-SSM 的效果与最先进的概率模型学习方法进行了比较

    Jan, 2018

  • 利用粒子 MCMC 对高斯过程状态空间模型进行贝叶斯推断和学习

    通过向状态转移动力学分布中添加高斯过程先验，结合分析型建模和蒙特卡罗采样器进行直接联合平滑分布推断的方法，提出了一种非线性非参数状态空间模型的完全贝叶斯方法。

    Jun, 2013

  • 离散和连续状态空间的桥梁：在时间连续的扩散模型中探索埃伦费斯特过程

    通过研究时态连续的马尔可夫跳跃过程和离散状态空间下的状态连续扩散过程之间的对应关系，本研究桥接了离散和连续状态空间，并提出了一种直接与去噪评分匹配相关的马尔可夫跳跃过程的时态逆过程训练算法。

    May, 2024

  • 一般性状态空间马尔可夫链和 MCMC 算法

    本文介绍了关于马尔可夫链的多种结果，包括马尔可夫链的蒙特卡罗算法，几何和均匀遍历性的充分条件，收敛到稳态的速率的量化界限，以及 Metropolis-Hastings 算法的最优缩放和弱收敛结果。

    Apr, 2004

  • 动力系统中贝叶斯状态和参数估计的信息场论方法

    本论文基于信息场理论构建物理先验概率度量，以便于对连续时间确定性动态系统的状态和参数进行可伸缩的贝叶斯估计，以克服时离散化方法的缺陷，并使用随机变分推理算法近似无法计算的后验概率。

    Jun, 2023