利用粒子滤波中可微分重采样高效学习非线性模型参数
机器学习
2022-08-10 v2 机器学习
摘要
已有广泛文献指出，粒子滤波中的采样和重采样步骤不可微分。引入重参数化技巧（reparameterisation trick）以将采样步骤重新表述为可微分函数。我们将重参数化技巧扩展至包含重采样的随机输入，从而限制该步骤后梯度计算中的不连续性。已知先验和似然的梯度使我们能够运行粒子马尔可夫链蒙特卡洛（p-MCMC）并在估计参数时使用No-U-Turn采样器（NUTS）作为提议。我们比较了Metropolis-adjusted Langevin算法（MALA）、具有不同步数的哈密顿蒙特卡洛和NUTS。我们考虑了两个状态空间模型，表明NUTS改善了马尔可夫链的混合，并能在更短计算时间内产生更准确的结果。
引用
@article{arxiv.2111.01409,
title = {Efficient Learning of the Parameters of Non-Linear Models using Differentiable Resampling in Particle Filters},
author = {Conor Rosato and Vincent Beraud and Paul Horridge and Thomas B. Schön and Simon Maskell},
journal= {arXiv preprint arXiv:2111.01409},
year = {2022}
}
备注
35 pages, 10 figures