强化 SMC$^2$：利用可微粒子滤波中的梯度信息构建 Langevin 提议
机器学习
2024-07-25 v1 机器学习
应用统计
摘要
序列蒙特卡罗平方（SMC）是一种用于推断非线性、非高斯状态空间模型中状态和参数的贝叶斯方法。标准随机游走提议在高维参数空间中面临挑战。本文提出一种新方法，利用来自常见随机数-粒子滤波器（CRN-PF）的一阶梯度。这些梯度可在无接受/拒绝机制下用于 Langevin 提议。将 Langevin 动力学纳入提议后，可在与随机游走相比时获得更高的有效样本数和更准确的参数估计。该算法在使用消息传递接口（MPI）实现的分布式内存中并行化，运行时间复杂度为 。使用64个计算核心时，相对于单核实现可实现51倍加速。附给出 GitHub 链接，提供代码访问。
引用
@article{arxiv.2407.17296,
title = {Enhanced SMC$^2$: Leveraging Gradient Information from Differentiable Particle Filters Within Langevin Proposals},
author = {Conor Rosato and Joshua Murphy and Alessandro Varsi and Paul Horridge and Simon Maskell},
journal= {arXiv preprint arXiv:2407.17296},
year = {2024}
}
备注
8 pages, 3 images. Accepted to 2024 IEEE International Conference on Multisensor Fusion and Integration (MFI 2024). https://mfi2024.org/. arXiv admin note: text overlap with arXiv:2311.12973