非线性潜力量模型的黑盒推断
机器学习
2019-11-05 v2 机器学习
摘要
潜力量模型是一类系统，其中存在描述系统状态动力学的机制模型，以及某个未知强迫项，该强迫项用高斯过程近似。若此类动力学是非线性的，则联合估计后验状态与强迫项可能较为困难，尤其在还需估计系统参数时。本文使用黑盒变分推断来联合估计后验，设计了局部逆自回归流的多元扩展作为系统的灵活近似器。我们在后验已知的系统上比较估计结果，证明了该近似的有效性，并将其应用于具有非线性动力学、多输出系统以及非高斯似然模型的问题。
引用
@article{arxiv.1906.09199,
title = {Black-Box Inference for Non-Linear Latent Force Models},
author = {Wil O. C. Ward and Tom Ryder and Dennis Prangle and Mauricio A. Álvarez},
journal= {arXiv preprint arXiv:1906.09199},
year = {2019}
}
备注
13 pages plus references and supplementary