- 高维无重采样粒子滤波器
在高维状态空间中，粒子滤波器面临着粒子匮乏等挑战，本文介绍了一种新的无重采样粒子滤波器，通过放弃传统的重采样步骤来缓解粒子匮乏问题，确保了更广泛和多样化的粒子集，特别适用于高维场景。在理论上，我们的滤波器在高维环境中提供了接近准确的后验分布 - 多个后验模式的可微稳定的远程跟踪
通过训练数据来区分地学习基于粒子的不确定性表示方法，通过深度神经网络编码器对任意观测进行条件下的连续概率混合分布表示的混合密度粒子滤波器，在连续潜在状态中提升准确性和鲁棒性。
- 基于可微粒子滤波器的正规化流
该研究使用 (条件) 归一化流构建动态模型、提议分布和测量模型，提出了一种不同 iable 粒子滤波框架，并通过一系列数值实验评估了该方法的性能。
- 利用最优放置重采样的可微粒子滤波
提出了一种可微分的重采样方案，通过从经验累积分布函数进行确定性采样，用于粒子滤波器的参数推断和提议学习任务。
- ICLR可微分顺序蒙特卡罗采样器中的重采样梯度消失
本研究探讨了一种名为 Differentiable AIS 的抽样方法，尝试通过添加重采样步骤来提高样本有效性，并在实证和理论上验证了该方法的可行性。
- 利用自监督多臂赌博机和光幕进行主动速度估计
使用可编程光幕代替传统的 3D 传感器，利用基于粒子滤波器和占据网格的概率方法明确估计场景中 3D 点的位置和速度，从而开发出具有导航和障碍物避免功能的完整堆栈导航系统。
- 可微粒子滤波器概述：数据自适应序贝叶斯推断
本文综述了近年来不同的可微粒子滤波器及其应用，重点介绍了其中的关键组件设计，包括动态模型、测量模型、提议分布、优化目标和可微重采样技术。
- 随机斯塔克伯格安全博弈的无模型强化学习
本文提出了一种基于预期 Sarsa 的强化学习算法，使用粒子筛选器估计共同代理的信念更新，并以安全游戏示例说明了所学习的策略。
- 实现可微重采样
通过引入一个基于神经网络的重采样器，以取代传统的重采样，我们解决了对可微分粒子滤波器的挑战，我们展示了一个新颖的网络体系结构，粒子变换器，并使用基于可能性的粒子集合的损失函数训练了它，我们的结果表明，我们的学习重采样器在合成数据和模拟机器人 - 二阶精确集合变换粒子滤波器
本篇论文提出了对于粒子滤波器中常常出现的集合退化现象，使用了基于 Sinkhorn 算子的二阶精度分析方法，使得 ensemble transform particle filter 可以在小到中等大小的组集情况下得到更高的精度，同时也提出 - 可逆粒子流粒子滤波
本文提出了一种新的粒子流粒子滤波器，以解决在高维状态空间中设计粒子滤波器时遇到的前向模型难以接近后验分布的问题，该方法包括将确定性的粒子流融入一个全面的粒子滤波器框架中来解决这个问题，并进行了复杂的高维滤波器模拟实验来验证方法的优异性能。
- 多元金融时间序列动态协方差模型
该研究提出了一种使用贝叶斯方法的动态模型来准确预测多元金融数据中的时间变化协方差，通过假设参数值的扩散过程来捕捉市场条件的变化，使用粒子滤波器进行计算，解决了超拟合、局部最优和大量计算成本等问题。实验结果表明该算法在金融数据分析中表现出色。
- 基于 Rao-Blackwell 的粒子滤波器用于动态贝叶斯网络
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。
- 顺序蒙特卡罗方法的中心极限定理及其在贝叶斯推断中的应用
本文建立了顺序蒙特卡罗方法的中心极限定理，它是一种通用的迭代算法，执行所需分布序列的蒙特卡罗估计。这个结果适用于在文献中考虑过的大多数顺序蒙特卡罗方法的一般框架，涵盖了对所需分布进行最小假设的情况，同时提供对给定粒子滤波器精度的方便测量。文