集成卡尔曼变分目标：变分推断与集成卡尔曼滤波混合下的非线性潜轨迹推断
机器学习
2021-11-10 v2 机器学习
统计计算
摘要
变分推断（VI）与贝叶斯非线性滤波相结合，在潜时间序列建模中产生了最先进的结果。近期一系列工作聚焦于序贯蒙特卡洛（SMC）及其变体，例如前向滤波后向模拟（FFBSi）。尽管这些研究取得了成功，但粒子退化与有偏梯度估计器的问题依然严重。本文中，我们提出集成卡尔曼变分目标（Ensemble Kalman Variational Objective, EnKO），一种 VI 与集成卡尔曼滤波（EnKF）的混合方法，用于推断状态空间模型（SSMs）。我们所提方法因其粒子多样性和无偏梯度估计器，能够高效辨识潜动态。我们证明，在三个基准非线性系统辨识任务中，我们的 EnKO 在预测能力与粒子效率方面均优于基于 SMC 的方法。
引用
@article{arxiv.2010.08729,
title = {Ensemble Kalman Variational Objectives: Nonlinear Latent Trajectory Inference with A Hybrid of Variational Inference and Ensemble Kalman Filter},
author = {Tsuyoshi Ishizone and Tomoyuki Higuchi and Kazuyuki Nakamura},
journal= {arXiv preprint arXiv:2010.08729},
year = {2021}
}