基于最优传输与动力学先验的部分观测轨迹推断
机器学习
2025-02-27 v3 机器学习
摘要
轨迹推断旨在从人口的快照（即未随时间跟踪的观测粒子的时序边缘分布）中恢复其时间动态。先前工作在带有梯度驱动漂移的随机微分方程（SDE）模型下解决了这一挑战性问题，引入相对于 Wiener 测度的最小熵估计器和基于薛定谔桥梁的实用无网格均值场 Langevin（MFL）算法。受可观测状态空间模型在传统配对轨迹推断问题（如目标跟踪）中成功的启发，我们将上述框架扩展到一类形式为可观测状态空间模型的潜在 SDE。在此设置下，我们利用部分观测数据在指定动力学模型（如目标跟踪中的恒速度/恒加速度模型）下推断潜在空间中的轨迹。我们引入 PO-MFL 算法以解决该潜在轨迹推断问题，并为部分观测情形提供理论保证。实验验证了我们方法的鲁棒性，MFL 动力学的指数收敛性，并在关键场景中显著优于无潜在基线。
引用
@article{arxiv.2406.07475,
title = {Partially Observed Trajectory Inference using Optimal Transport and a Dynamics Prior},
author = {Anming Gu and Edward Chien and Kristjan Greenewald},
journal= {arXiv preprint arXiv:2406.07475},
year = {2025}
}
备注
ICLR 2025