采样对深度序列状态估计的影响
机器学习
2026-03-10 v1 信号处理
摘要
序列模型中的状态推断与参数学习可通过最大化数据分布边际对数似然的证据下界（ELBO）的近似技术成功实现。这些方法可称为动态变分自编码器，我们的具体关注点在于深度卡尔曼滤波。已有研究表明，ELBO 目标会过度简化数据表示，可能损害估计质量。文献中已提出更紧的蒙特卡洛目标以增强生成建模性能。例如，IWAE 目标使用重要性权重来降低边际对数似然估计的方差。本文将重要性采样应用于 DKF 框架以学习深度马尔可夫模型，得到 IW-DKF，其在对数似然估计以及变分分布与转移模型之间的 KL 散度方面均表现出改进。该使用采样 DKF 更新规则的框架也被适配用于处理高度非线性基于物理的模型时的序列状态与参数估计。基于三维 Lorenz 吸引子的实验显示生成建模性能增强，且在估计模型参数与隐状态时 RMSE 降低，表明更紧的 MCO 带来了改进的状态推断性能。
引用
@article{arxiv.2311.17006,
title = {On the Impact of Sampling on Deep Sequential State Estimation},
author = {Helena Calatrava and Ricardo Augusto Borsoi and Tales Imbiriba and Pau Closas},
journal= {arXiv preprint arXiv:2311.17006},
year = {2026}
}
备注
To appear in the Proceedings of the Asilomar Conference on Signals, Systems, and Computers, October 2023, 5 pages, 3 figures, 3 tables