$k$-means：在序贯蒙特卡洛中对抗退化及其在跟踪中的应用
机器学习
2015-11-16 v1
摘要
对于常规的粒子滤波算法或序贯蒙特卡洛（Sequential Monte Carlo, SMC）方法，初始权重传统上依赖于提议分布、采样序列中当前时刻的后验分布，而目标是前一时刻的后验分布。这在技术上是正确的，但会导致算法通常出现退化问题，即所有粒子最终坍缩到单个粒子上。在本文中，我们提出并评估了使用均值聚类来攻击甚至利用这种退化。具体而言，我们提出了一种随机SMC算法，其初始化均值集合，提供从坍缩粒子中选择的初始中心。为了对抗退化，我们调整常规SMC权重，以簇比例作为调节，然后对其进行修正以保留与之前相同的期望。我们通过实验证明，我们的方法比原始算法具有更好的性能。
引用
@article{arxiv.1511.04157,
title = {$k$-means: Fighting against Degeneracy in Sequential Monte Carlo with an Application to Tracking},
author = {Kai Fan and Katherine Heller},
journal= {arXiv preprint arXiv:1511.04157},
year = {2015}
}