利用深度变分贝叶斯滤波器方法，能够进行无监督学习和鉴别潜在马尔可夫状态空间模型。通过随机梯度变分贝叶斯方法，能够克服难以处理的推理分布。能够处理具有时间和空间依赖性的高度非线性输入数据，例如图像序列。实验表明，通过转换实现反向传播可以强制执行状态空间假设，并显著提高潜在嵌入的信息内容和长期预测的精度。

May, 2016

该研究提出了一种新的非线性估计理论，基于生成式人工智能，用于改进地球系统模型中的数据同化方法，通过引入 Conjugate Transform Filter（CTF）和其集合近似理论（ECTF），以适应任意非高斯分布并保留先验状态的统计关系，从而提高算法的准确性。

Oct, 2023

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

在复杂情景中，本文介绍了一种新颖的深度贝叶斯滤波（DBF）方法，用于增强热红外（TIR）目标跟踪，通过利用运动数据来估计目标对象的潜在位置并动态更新模板，DBF 方法在多个基准数据集上取得了竞争性的性能，胜过大多数现有的 TIR 跟踪方法。

Feb, 2024

提出了一种基于高斯 PSD 模型的新型滤波器类，具有密度逼近和计算效率等方面的优势，并在转换和观测为高斯 PSD 模型时，证明了该估计器在适当的近似质量和转换概率的正规性下享有良好的理论保证，具有与内存和计算复杂度相关的 TV ε-error，包括离线学习步骤，与粒子滤波等采样方法的 O (ε^(-2)) 计算复杂度形成对比。

Feb, 2024

使用神经网络的替代模型，Deep Latent Space Particle filter (D-LSPF) 可以在低维潜在空间中进行数据融合和实时的不确定性估计，运行速度比高保真粒子滤波器快一个数量级，并且比其他方法快 3-5 倍，精度可达一个数量级，从而实现实时的物理系统数据同化和不确定性量化。

Jun, 2024

该研究探索了利用因果关系加速贝叶斯网络中的信念过滤任务的想法，并提出了一种基于被动性的选择性信念过滤方法（PSBF），该方法在维护因果关系的情况下，在虚拟进程和模拟多机器人仓库中均优于传统滤波方法。

Jul, 2019

本论文提出了一种新的条件密度滤波算法（C-DF），用于有效的在线贝叶斯推断，通过在新数据到达时从条件后验分布的近似中采样，利用统计量消除了同时存储或处理整个数据集的需求，从而提高了内存需求和运行时长，改善了混合度，并展示了其在高维压缩回归中的应用。同时，本文证明了 C-DF 样本随着采样的进行和数据的增多而渐近地收敛于目标后验分布。

Jan, 2014

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

本文介绍了如何利用 Rao-Blackwellisation 技术来提高动态贝叶斯网络的粒子滤波算法的效率，并用两个问题来展示利用 Rao-Blackwellised 粒子滤波进行非平稳在线回归和机器人定位和地图构建的准确性。

Jan, 2013