SMC 方法中基于统计距离的确定性后代选择
机器学习
2022-12-26 v1 机器学习
统计计算
摘要
多年来，序贯蒙特卡洛(SMC)方法（也即粒子滤波(PF)理论）已获得研究人员的广泛关注。然而，重采样方法（亦称后代选择）的性能近来并无进展。我们提出两种确定性后代选择方法，分别致力于最小化后代选择前后粒子分布之间的 Kullback-Leibler (KL) 散度和总变差(TV)距离。通过减小所选后代与联合分布之间的统计距离，我们得到一种启发式搜索过程，其在那些最大似然搜索优于 SMC 的情境下表现优于最大似然搜索。对于 SMC 和粒子马尔可夫链蒙特卡洛(pMCMC)，我们提出的后代选择方法在文献中常用作基准的两个模型上，始终优于或可与两种最先进的重采样方案相媲美。
引用
@article{arxiv.2212.12290,
title = {Statistical Distance Based Deterministic Offspring Selection in SMC Methods},
author = {Oskar Kviman and Hazal Koptagel and Harald Melin and Jens Lagergren},
journal= {arXiv preprint arXiv:2212.12290},
year = {2022}
}