扩展参数滤波器
机器学习
2013-05-09 v1 人工智能
摘要
时间模型（如动态贝叶斯网络）的参数可以在贝叶斯框架下建模为静态或非时变变量，这些变量影响每个时间步的转移概率。粒子滤波器对于包含此类变量的模型会失效，而使用参数变量吉布斯采样的方法可能导致每个样本的计算成本随观测序列长度线性增长。Storvik 设计了一种精确充分统计量的增量计算方法，在某些情况下可将每个样本的成本降低为常数。在本文中，我们展示了 Storvik 滤波器与参数空间中的卡尔曼滤波器之间的联系，并确立了 Storvik 滤波器适用的更一般条件。借鉴扩展卡尔曼滤波器的类比，我们开发并分析了一种针对参数后验的泰勒近似方法（包括理论和实验分析），使得 Storvik 方法可应用于更广泛的模型类别。我们在合成示例和实际应用中的实验表明，该方法优于现有方法。
引用
@article{arxiv.1305.1704,
title = {The Extended Parameter Filter},
author = {Yusuf Erol and Lei Li and Bharath Ramsundar and Stuart J. Russell},
journal= {arXiv preprint arXiv:1305.1704},
year = {2013}
}