循环神经网络与贝叶斯滤波器的通用逼近
机器学习
2023-03-16 v2 机器学习
信号处理
最优化与控制
摘要
我们考虑贝叶斯最优滤波问题：即从观测序列估计潜时间序列信号的某些条件统计量。经典方法通常依赖于假定或估计的转移与观测模型。相反，我们构建了一个通用的循环神经网络框架，并试图直接从观测输入到所需估计统计量学习递归映射。本文的主要焦点是该框架的逼近能力。我们给出了一般非紧域上滤波的逼近误差界。我们还考虑了强时间一致逼近误差界，其保证良好的长期性能。我们讨论并阐释了这些结果的若干实际关注点与含义。
引用
@article{arxiv.2211.00335,
title = {Recurrent Neural Networks and Universal Approximation of Bayesian Filters},
author = {Adrian N. Bishop and Edwin V. Bonilla},
journal= {arXiv preprint arXiv:2211.00335},
year = {2023}
}