变分边缘粒子滤波器
机器学习
2022-03-16 v3 机器学习
摘要
状态空间模型（SSM）的变分推断一般而言是困难的。近期工作聚焦于从无偏序贯蒙特卡洛估计量推导 SSM 的变分目标。我们揭示边缘粒子滤波器是通过对序贯蒙特卡洛施加 Rao-Blackwellization 操作得到的，其以轨迹信息为代价换取方差减小与可微性。我们提出变分边缘粒子滤波器（VMPF），这是一种基于无偏估计量、可微且可重参数化的 SSM 变分滤波目标。我们发现带有偏梯度的 VMPF 比先前目标给出更紧的界，而无偏重参数化梯度有时是有益的。
引用
@article{arxiv.2109.15134,
title = {Variational Marginal Particle Filters},
author = {Jinlin Lai and Justin Domke and Daniel Sheldon},
journal= {arXiv preprint arXiv:2109.15134},
year = {2022}
}
备注
Accepted to AISTATS 2022