均匀扰动下贝叶斯滤波器间知识融合的全概率设计
机器学习
2021-09-23 v1
摘要
本文考虑由均匀状态与观测噪声过程驱动的线性状态空间过程之间基于贝叶斯迁移学习的知识融合问题。目标任务以源滤波任务提供的状态概率预测器为条件，以改进其自身的状态估计。目标与源之间的联合模型既不需要也不被导出。在不完整建模下选择最优条件目标滤波分布的决策问题通过全概率设计（FPD）求解，即通过适当最小化 Kullback-Leibler 散度（KLD）。所得 FPD 最优目标学习器具有鲁棒性，即能够拒绝低质量的源知识。此外，该贝叶斯迁移学习（BTL）方案不依赖于源任务与目标任务之间交互模型的事实，确保了其对这类模型设定错误的鲁棒性。后者是影响传统迁移学习方法的问题。所提 BTL 方案的性质通过大量仿真得以展示，并与两种当代替代方法进行比较。
引用
@article{arxiv.2109.10596,
title = {Fully probabilistic design for knowledge fusion between Bayesian filters under uniform disturbances},
author = {Lenka Kuklišová Pavelková and Ladislav Jirsa and Anthony Quinn},
journal= {arXiv preprint arXiv:2109.10596},
year = {2021}
}
备注
39 pages