流式变分蒙特卡洛
机器学习
2023-06-06 v4 机器学习
摘要
非线性状态空间模型是描述复杂时间序列中动态结构的强大工具。在每次处理一个样本的流式场景中，状态及其非线性动力学的同步推断在实践中带来了显著挑战。我们开发了一种新颖的在线学习框架，利用变分推断和序贯蒙特卡洛，实现了灵活且准确的贝叶斯联合滤波。我们的方法提供了滤波后验的近似，对于广泛类别的动力学模型和观测模型，该近似可任意接近真实滤波分布。具体而言，所提框架可利用稀疏高斯过程高效近似动力学上的后验，从而实现可解释的潜动力学模型。每样本常数时间复杂度使我们的方法适用于在线学习场景及实时应用。
引用
@article{arxiv.1906.01549,
title = {Streaming Variational Monte Carlo},
author = {Yuan Zhao and Josue Nassar and Ian Jordan and Mónica Bugallo and Il Memming Park},
journal= {arXiv preprint arXiv:1906.01549},
year = {2023}
}