Bayesian Knockoff Filter
在许多科学领域中,研究人员感兴趣的是从大量的特征中发现对响应有实质性影响的特征,同时控制错误发现的比例。通过将敲除过程中的贝叶斯框架,我们开发了贝叶斯敲除滤波器(BKF)选择功能,有重要影响的响应。与频率论程序中的固定敲除变量相比,我们允许使用马尔可夫链蒙特卡罗不断更新敲除变量。基于后验样本和详细的贪婪选择过程,我们的方法可以区分真正重要的功能和不重要的贝叶斯错误发现率可以控制在一个理想的水平。对合成数据和真实数据的数值实验表明,我们的BKF优于现有的敲除方法和贝叶斯变量选择方法,即,BKF具有更高的功率并且产生更低的错误发现率。
2023-02-25 stat.ME
Parallel Concatenation of Bayesian Filters: Turbo Filtering
在这篇手稿中,通过两个贝叶斯滤波器的并行级联开发新的滤波算法的方法进行说明。我们对这种方法的描述,称为涡轮过滤,是基于一个新的图形模型,这使我们能够有效地描述每个组成过滤器内部完成的处理和它们之间的相互作用。该模型被用来开发两个新的滤波算法的条件线性高斯系统。一个特定的动态系统的数值结果证明,这样的过滤器可以实现更好的复杂性,精度比边缘化粒子滤波权衡。
2018-06-13 stat.CO
Variational Bayesian Inference for Bipartite Mixed-membership Stochastic Block Model with Applications to Collaborative Filtering
针对推荐系统评分预测,提出二部混合隶属度随机块模型(BM^2)及变分贝叶斯EM算法,模拟和MovieLens实验证明其优于标准SBM和其他协同过滤方法。
2023-05-09 stat.ME
Probabilistic Solutions To Ordinary Differential Equations As Non-Linear Bayesian Filtering: A New Perspective
我们将常微分方程(ODE)解的概率数值近似表示为具有非线性测量函数的高斯过程(GP)回归问题。这是通过定义测量序列来实现的,该测量序列由GP的导数与在GP处评估的向量场之间的差的观测值组成-这些观测值在ODE的解处均为零。当GP具有状态空间表示时,问题可以简化为非线性贝叶斯滤波问题,并且所有广泛使用的贝叶斯滤波和平滑问题的近似都变得适用。此外,所有以前的基于GP的ODE求解器,制定在生成合成测量的梯度场出来作为特定的近似。基于本文提出的非线性贝叶斯滤波问题,我们开发了新的高斯求解器,我们建立了良好的稳定性。此外,非高斯近似的滤波问题推导出的粒子滤波器的方法。所得到的求解器进行了比较与其他概率求解器在说明性实验。
2019-04-24 stat.CO stat.ME stat.ML
Multiple Bayesian Filtering as Message Passing
在这篇手稿中,提出了一个通用的方法来推导过滤算法,涉及网络的相互连接的贝叶斯过滤器。这种方法是基于这样的想法,即在每个贝叶斯过滤器内部完成的处理以及它们之间的交互可以表示为在适当的图形模型上的消息传递算法。我们的方法的有用性是通过开发新的滤波技术,基于粒子滤波器和扩展卡尔曼滤波器的互连,条件线性高斯系统的例证。两个具体的动态系统的数值结果表明,所设计的算法可以实现更好的复杂性和准确性的权衡比边缘化粒子滤波和多粒子滤波。
2019-07-25 math.ST stat.TH
Non-Gaussian Bayesian Filtering by Density Parametrization Using Power Moments
本文提出利用幂矩对非高斯贝叶斯滤波中的状态密度进行参数化,无需先验知识且不存储大量参数,并通过凸优化唯一确定参数,给出误差分析和仿真验证。
2023-07-05 cs.IT math.IT math.OC
A Bayesian adaptive ensemble Kalman filter for sequential state and parameter estimation
本文提出了一种新的集合卡尔曼滤波器的序列状态和参数估计方法。该方法是完全贝叶斯和传播的联合后验密度的状态和参数随着时间的推移。为了实现该方法,我们考虑两种表示的边缘后验分布的参数:基于网格的方法和高斯近似。与现有的算法相反,新方法明确地考虑了参数的不确定性,并提供了一种正式的方法来结合不同时间段数据中的参数信息。该方法的说明和现有的方法相比,使用模拟和真实的数据。
2016-11-11 stat.CO stat.ME
A geometric ensemble method for Bayesian inference
本文提出一种基于凸多面体上均匀分布之和的几何集成方法,用于近似贝叶斯推断,并通过Ikeda映射和Lorenz '96方程的数值实验验证了其在低维和高维环境下的可行性。
2025-04-09 math.OC math.PR stat.ME
Bayesian Boundary Trend Filtering
本文针对边界趋势估计问题,提出结合截断多元正态近似与Pólya-Gamma数据增广的贝叶斯趋势滤波方法,引入马蹄先验实现局部自适应收缩,还扩展了近似保序约束版本,经实验验证性能良好。
2023-11-10 stat.ME
Generalized Bayesian Filtering via Sequential Monte Carlo
University of Warwick(华威大学);The Alan Turing Institute(艾伦·图灵研究所)
我们引入了一个框架,在一般的状态空间隐马尔可夫模型(HHALGORY)的可能性误指定的推理。特别是,我们利用广义贝叶斯推断(GBI)的损失理论的角度来定义广义过滤递归的障碍,可以解决模型误指定下的推理问题。在这样做的过程中,我们到达的原则性程序,强大的推理对观察污染利用$β$分歧。通过序贯蒙特卡罗方法(SMC),其中大多数标准粒子方法及其相关的收敛结果,可以很容易地适应新的设置操作所提出的框架。我们将我们的方法应用于目标跟踪和高斯过程回归问题,并观察到标准滤波算法和其他鲁棒滤波器的性能改善。
2020-10-21 cs.LG stat.CO stat.ME
Theory of Optimal Bayesian Feature Filtering
The Ohio State University(俄亥俄州立大学)
最优贝叶斯特征过滤(OBF)是一种用于生物标志物发现的监督筛选方法。在这篇文章中,我们证明了两个主要的理论性质的OBF。首先,当且仅当底层贝叶斯模型假设所有特征相互独立时,一般贝叶斯模型家族下的最优贝叶斯特征选择简化为过滤。因此,当且仅当假设所有特征都是相互独立的时,OBF是最优的,并且OBF是在一般贝叶斯框架中至少一个模型下唯一最优的过滤方法。其次,独立高斯模型下的OBF在非常温和的条件下是一致的,包括数据是非高斯相关特征的情况。这一结果提供了条件,OBF是保证识别正确的功能集给出足够的数据,它证明了OBF在非设计设置,其假设是无效的。
2019-09-09 cs.CV cs.LG stat.ML
Bayesian inference via rejection filtering
Microsoft Research(微软研究院);University of Sydney(悉尼大学)
我们提供了一种近似贝叶斯推理的方法,使用拒绝抽样。我们不仅使过程高效,而且还大大减少了所需的内存相对于传统的方法相结合的拒绝采样与粒子滤波。我们还提供了一个近似形式的拒绝采样,使拒绝滤波易于处理的情况下,精确拒绝采样是没有效率的。最后,我们提出了几个数值例子的拒绝过滤,显示其跟踪时间依赖的参数在在线设置的能力,也基准测试其性能的MNIST分类问题。
2015-12-03 cs.LG quant-ph stat.ML
Marginalized Bayesian filtering with Gaussian priors and posteriors
边缘化技术的贝叶斯滤波问题的假设下,高斯先验和后验和一组顺序更多的约束状态空间模型的假设。该技术提供了以下能力:1)将滤波问题简化为基本的边际矩积分,2)将模型和数值逼近结合到矩积分,以及3)解耦建模和系统组成。后验均值和协方差的封闭形式的表达式作为子空间投影矩阵,子系统模型,和边际矩积分的函数。最后,我们回顾以前的工作,以及如何将结果与卡尔曼和边缘化粒子滤波技术。
2016-07-11 math.ST stat.TH
Combining probability distributions: Extending the logarithmic pooling approach
组合分布是决策理论和贝叶斯推断中的一个重要问题。对数池是一种通过使用一组反映每个信息源可靠性的权重来聚合专家意见的流行方法。然而,由此产生的汇总分布在很大程度上取决于给每个意见/先验的权重集,因此必须仔细考虑权重的选择。在本文中,我们回顾和扩展的对数池的统计理论,侧重于使用分层先验分布的权重分配。我们探讨了几个统计应用,如生存概率的估计,荟萃分析和贝叶斯融合的人口增长和流行病的确定性模型。我们表明,它是可以学习的权重数据,虽然可识别性问题可能会出现一些配置的先验知识和数据。此外,我们展示了如何分层的方法导致后验分布,能够适应复杂模型中的先验数据冲突。
2020-12-30 stat.ME
On a class of constrained Bayesian filters and their numerical implementation in high-dimensional state-space Markov models
Eskisehir Technical University(埃斯基谢希尔理工大学);Radboud University(拉德堡德大学);Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
本文研究了一类受限贝叶斯滤波器的设计与理论特性,并提出了一种在连续-离散设置中实现该滤波器的方法,通过数据驱动的障碍函数修改伊藤过程的漂移,以提高高维状态空间中滤波器的稳定性和精度。
2026-02-27 math.PR stat.CO stat.ME
Low-pass filtering as Bayesian inference
Universidad de Chile(智利大学)
我们提出了一种贝叶斯非参数低通滤波方法,可以自然地处理不均匀采样和噪声损坏的意见。该模型被构造为时间序列的潜在因素模型,其中潜在因素是具有非重叠谱的高斯过程。通过这种构造,时间序列的低通版本可以被识别为低频潜在分量,因此可以通过贝叶斯推断来找到它。我们表明,该模型承认精确的训练,可以实现最小的数值逼近。最后,该模型对标准的线性滤波器合成和真实世界的时间序列进行验证。
2019-02-09 cs.LG eess.SP stat.ML
Double Bayesian Smoothing as Message Passing
最近,提出了一种基于两个贝叶斯过滤器互连的过滤算法开发新方法,称为双贝叶斯过滤。在这篇手稿中,我们表明,同样的概念方法可以用来设计一种新的平滑方法,称为双贝叶斯平滑。双贝叶斯平滑器将在其前向传递中使用的双贝叶斯滤波器与在其后向传递中使用的两个后向信息滤波器的互连相结合。作为一般方法的一个具体应用,给出了条件线性高斯系统的双贝叶斯平滑算法的详细推导。两个特定的动态系统的数值结果表明,这些算法可以实现更好的复杂性,精度的权衡和跟踪能力比其他平滑技术最近出现在文献中。
2019-07-25 math.ST stat.TH
Discriminative Bayesian filtering lends momentum to the stochastic Newton method for minimizing log-convex functions
University of Cambridge(剑桥大学)
该研究将最小化对数凸函数平均值的随机牛顿优化问题转化为判别式观测的潜状态空间序列贝叶斯推断问题,提出结合梯度与海森矩阵历史的贝叶斯滤波优化算法,推导了类重球动量的旧观测衰减条件,并辅以示例阐释。
2023-08-21 cs.LG math.OC stat.ML
Generative Filtering for Recursive Bayesian Inference with Streaming Data
针对流式递归贝叶斯更新中滤波样本退化的问题,本文提出 Generative Filtering,以并行更新兼顾效率与非退化性,并给出收敛速率、充分统计量条件及模拟与生态数据验证。
2024-12-06 stat.CO
A New Smoothing Technique based on the Parallel Concatenation of Forward/Backward Bayesian Filters: Turbo Smoothing
最近,一种新的方法,用于开发滤波算法,基于并行级联的贝叶斯滤波器和所谓的涡轮滤波,已经提出。在这篇手稿中,我们将展示如何利用相同的概念方法来设计一种新的平滑方法,称为涡轮平滑。一种涡轮平滑器将在其前向传递中使用的涡轮滤波器与在其后向传递中使用的两个后向信息滤波器的并行级联相结合。作为一般理论的一个具体应用,给出了条件线性高斯系统的两个Turbo平滑算法的详细推导过程。一个特定的动态系统的数值结果证明,这些算法可以实现更好的复杂性,精度权衡比其他平滑技术最近出现在文献中。
2019-02-15 stat.CO
Bayesian Computation in Dynamic Latent Factor Models
贝叶斯计算的过滤和预测分析开发了广泛的一类动态模型。在非高斯、非线性多变量时间序列模型中,通过引入一种新的Copula结构,在动态广义线性模型的耦合集的顺序滤波中,提高了这种分析的能力。新的Copula方法被集成到最近推出的多尺度模型,其中单变量时间序列耦合通过非线性形式,涉及动态的潜在因素,代表跨系列的关系。由此产生的方法提供了显着的速度加快在线贝叶斯计算顺序过滤和预测在这个广泛的,灵活的类的多变量模型。非负计数的非常异质的时间序列的非线性模型中的两个例子展示了相对于现有的基于模拟的方法的巨大的计算效率,同时定义了类似的过滤和预测结果。
2020-07-09 stat.CO stat.ME
Recurrent Neural Networks and Universal Approximation of Bayesian Filters
University of Technology Sydney(悉尼科技大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61研究所)
我们考虑贝叶斯最优滤波问题:即从观测序列估计潜在时间序列信号的某些条件统计量。传统的方法往往依赖于使用假设或估计的过渡和观察模型。相反,我们制定了一个通用的递归神经网络框架,并寻求直接学习从观测输入到所需的估计统计的递归映射。本文的主要焦点是这个框架的近似能力。我们提供了一般非紧域上滤波的近似误差界。我们还考虑了强时间一致逼近误差界,保证良好的长期性能。我们讨论并说明了一些实际问题和这些结果的影响。
2023-03-15 cs.LG eess.SP math.OC
Bayesian Filtering of Smooth Signals: Application to Altimetry
本文提出了一种新的贝叶斯估计策略,用于估计被高斯噪声污染的光滑信号。该方法假设一系列连续信号的平滑演化,这些连续信号可以具有关于某些参数的数值或解析表达式。贝叶斯模型考虑了噪声的高斯特性和连续信号的平滑演化。此外,伽马马尔可夫随机场之前被分配给信号能量和噪声方差,以考虑它们的已知属性。得到的后验分布最大化使用一个快速坐标下降算法,其参数由解析表达式更新。该算法在卫星测高数据上进行了测试,在合成信号和真实信号上都取得了良好的去噪效果。所提出的算法也被证明,以提高质量的高度参数时,结合参数估计策略。
2016-02-11 stat.AP stat.ME
Generative Bayesian Filtering and Parameter Learning
Booth School of Business, University of Chicago(芝加哥大学布斯商学院);Department of Statistics, University of Chicago(芝加哥大学统计系)
本文提出生成式贝叶斯滤波(GBF)框架,将生成式贝叶斯计算扩展到动态状态空间模型,并引入生成式-Gibbs采样器进行参数学习,在不可处理密度场景下显著优于现有免似然方法。
2025-11-06 stat.CO stat.ME stat.ML
The discriminative Kalman filter for nonlinear and non-Gaussian sequential Bayesian filtering
卡尔曼滤波器(KF)用于计算状态空间模型中潜在状态的后验分布的各种应用中。该模型要求状态和观测值之间存在线性关系。已经提出了对卡尔曼滤波器的扩展,其将线性近似结合到非线性模型,例如扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF)。然而,我们认为,在观测变量的维数大大超过状态变量的维数的情况下,$p(\text{state}|\text{observation})$的模型证明更容易学习和更准确的潜在空间估计。我们推导并验证我们所谓的判别卡尔曼滤波器(DKF):贝叶斯滤波的一个封闭形式的判别版本,很容易结合现成的判别学习技术。此外,我们证明了在温和的假设下,可以指定$p(\text{state}|\text{observation})$的高度非线性模型.我们在合成数据集和非人类灵长类动物的神经解码中进行激励和验证,与标准卡尔曼滤波器相比,解码性能大幅提高。
2016-08-30 stat.ML
EnLLVM: Ensemble Based Nonlinear Bayesian Filtering Using Linear Latent Variable Models
University of South Carolina(南卡罗来纳大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
实时非线性贝叶斯滤波算法由于数据量大、速度快以及计算模型复杂度的增加而不堪重负。在本文中,我们提出了一种新的集成基于非线性贝叶斯滤波方法,它只需要少量的模拟,并可以应用到高维系统中存在的棘手的似然函数。所提出的方法使用线性潜在投影估计的联合概率分布之间的状态,参数和可观的使用的高斯成分的混合物产生的重建误差为每个合奏成员。由于它利用了线性潜变量模型背后的计算机制,因此可以实现快速实现,而无需计算高维样本协方差阵。在一个高维Lorenz非线性动力学系统上,将该方法与集合卡尔曼滤波器的性能进行了比较。
2019-05-31 cs.LG stat.CO
Adaptive, Robust and Scalable Bayesian Filtering for Online Learning
School of Mathematical Sciences(数学科学学院)
该论文以贝叶斯滤波统一在线学习、序贯预测和上下文老虎机问题,提出自适应框架、鲁棒广义贝叶斯滤波器及可扩展二阶更新工具。
2025-05-12 cs.LG stat.ML
Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems
School of Mathematical Sciences, Tongji University(同济大学数学科学学院);Department of Mathematics, Shanghai Normal University(上海师范大学数学系)
针对高维非线性随机动力系统的贝叶斯滤波问题,提出基于流的贝叶斯滤波器(FBF),利用归一化流构建具有高斯滤波分布的潜在线性状态空间模型,实现高效数据驱动的滤波。
2025-03-05 cs.LG cs.NA math.NA
Bayesian Filtering in Physical Systems via Test-time Trained Flow Matching
Westlake University(西湖大学);Zhejiang University(浙江大学)
本文提出信念流滤波器(BFF),通过测试时梯度下降更新流匹配模型权重以跟踪后验演化,绕过粒子表示和高斯假设的限制,在多个物理系统基准上取得最优性能。
2026-09-22 cs.AI cs.LG stat.ML
Transform-based particle filtering for elliptic Bayesian inverse problems
在自适应SMC中引入了基于最优传输的响应。我们考虑椭圆型反问题推断水力传导系数的压力测量。考虑了两种导水率参数化:高斯随机场和一组标量(非)高斯分布参数和高斯随机场场。我们发现,对于标量参数的最佳运输基于SMC执行单项式基于SMC,但高斯高维随机场最佳运输基于SMC优于基于SMC单项式。当比较集合卡尔曼反演与突变(EKI),我们观察到,高斯随机场,最佳的运输为基础的SMC提供可比或更差的性能比EKI取决于参数化的复杂性。对于非高斯分布的参数,基于最优传输的SMC优于EKI。
2019-06-13 math.OC stat.CO
Temporal Gaussian Process Regression in Logarithmic Time
Aalto University(阿尔托大学)
针对时间高斯过程(GP)回归问题,提出了一种新的并行化方法。该方法允许在对数O(log N)时间内解决GP回归问题,其中N是时间步长的数量。我们的方法使用的状态空间表示的GP,在其原始形式允许线性O(N)时间GP回归利用卡尔曼滤波和平滑方法。通过使用最近提出的贝叶斯滤波器和平滑器的并行化方法,我们能够降低时间GP回归问题的线性计算复杂性为对数跨度复杂性。这确保了当在诸如图形处理单元(GPU)的并行硬件上运行时的对数时间复杂度。我们通过我们的开源实现利用GPflow框架在模拟和真实数据集上实验性地展示了计算的好处。
2021-05-17 cs.LG stat.CO stat.ME
A Bayesian Filtering Algorithm for Gaussian Mixture Models
School of Engineering, University of Newcastle, Australia.(纽卡斯尔大学工程学院)
本文提出了一种针对可由高斯混合模型建模的状态空间系统的贝叶斯滤波算法,通过在时间更新和测量更新后引入高斯混合缩减步骤来处理滤波问题中的指数增长混合项问题,并在多个模拟系统上对统一算法的平方根实现进行了性能评估。
2023-06-30 cs.SY eess.SY stat.ML
[Re] The Discriminative Kalman Filter for Bayesian Filtering with Nonlinear and Non-Gaussian Observation Models
Rice University(莱斯大学)
本研究复现了Burkhart等人2020年提出的判别式卡尔曼滤波器的神经科学核心结果,提供了该MATLAB算法的开源Python替代版本,通过多随机种子和未用试次进一步验证了滤波器有效性。
2024-01-24 cs.LG cs.RO eess.SP
Bayesian filtering unifies adaptive and non-adaptive neural network optimization methods
University of Bristol(布里斯托大学)
我们将神经网络优化问题表述为贝叶斯滤波,其中观测值是反向传播的梯度。虽然神经网络优化之前已经使用与贝叶斯推断密切相关的自然梯度方法进行了研究,但他们无法使用均方根梯度归一化器恢复标准优化器,如Adam和RMSprop,而是得到均方归一化器。为了恢复均方根归一化,我们发现有必要考虑所有其他参数的时间动态,因为它们正在优化。由此产生的优化器AdaBayes自适应地在类SGD和类Adam行为之间转换,自动恢复AdamW,这是Adam的最新变体,具有解耦的权重衰减,并且具有与SGD竞争的泛化性能。
2020-04-16 cs.LG stat.ML
Rao-Blackwellised Particle Filtering for Dynamic Bayesian Networks
Cambridge University(剑桥大学);UC Berkeley(加州大学伯克利分校)
粒子滤波(PF)是动态贝叶斯网络(DBN)中基于采样的推理/学习算法。它们允许我们以原则性的方式对待任何类型的概率分布、非线性和非平稳性。它们出现在几个领域,如“凝聚”,“顺序蒙特卡罗”和“适者生存”。在本文中,我们将展示如何利用DBN的结构来提高粒子滤波的效率,使用一种称为Rao-Blackwellisation的技术。本质上,这使用卡尔曼滤波器、HMM滤波器、连接树算法或任何其他有限维最优滤波器对一些变量进行采样,并精确地边缘化其余变量。我们发现,Rao-Blackwellised粒子滤波器(RBPFs)导致更准确的估计比标准的PF。我们证明RBPF的两个问题,即非平稳的径向基函数网络和机器人定位和地图的建立在线回归。我们还讨论了其他潜在的应用领域,并为一些有限维最优滤波器提供了参考。
2013-01-16 cs.AI cs.LG stat.CO
Towards Data Assimilation in Level-Set Wildfire Models Using Bayesian Filtering
水平集方法是一种基于特征化的蔓延率来模拟火灾随时间演变的突出方法。然而,它并不提供吸收新数据和量化不确定性的直接手段。如果模型能够实时吸收数据,火锋预测可以更加准确和灵活。此外,火灾位置和蔓延的不确定性估计对于决策制定至关重要。使用贝叶斯滤波方法,我们扩展了水平集方法,允许数据同化和不确定性量化。我们证明了这些方法的数据从一个控制火灾。
2022-06-17 stat.AP
Adaptive Metropolis Algorithm Using Variational Bayesian Adaptive Kalman Filter
马尔可夫链蒙特卡罗(MCMC)方法是分析复杂统计问题的有力计算工具。然而,它们的计算效率高度依赖于所选择的建议分布,这通常很难找到。解决这个问题的一种方法是使用自适应MCMC算法,该算法在MCMC运行期间自动调整提案分布的统计信息。提出了一种新的自适应MCMC算法--变分贝叶斯自适应Metropolis(VBAM)算法. VBAM算法使用变分贝叶斯自适应卡尔曼滤波器(VB-AKF)来更新提议的协方差阵。证明了VBAM算法的一个强大数律。文中还给出了三个模拟算例和两个实际数据算例的经验收敛结果。
2014-10-01 math.ST stat.TH
High-dimensional Bayesian filtering through deep density approximation
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
本文比较了两种深度密度方法在非线性滤波中的性能,通过福克-普朗克方程建模随机微分方程的滤波密度,并在离散观测时间进行贝叶斯更新。在低维例子中粒子滤波有效,但在高维洛伦茨-96模型中,深度后向随机微分方程滤波器表现更优,计算效率提升显著。
2026-04-19 cs.NA math.NA stat.CO
An Analytically Tractable Bayesian Approximation to Optimal Point Process Filtering
基于点过程观测的动态状态估计(滤波)过程一般是难以处理的。数值采样技术通常在实践中很有用,但导致对最佳编码/解码策略的概念性见解有限,这与计算神经科学具有重要意义。我们开发了一个易于分析的贝叶斯近似最佳过滤点过程的观察,这使我们能够引入分布假设的感觉细胞的属性,这大大方便了分析的最佳编码的情况下偏离共同的假设统一编码的基础上。分析框架导致的见解,这是很难从数值算法中获得的,是一致的调谐曲线中心的分布与实验。有趣的是,我们发现,从没有尖峰获得的信息可能是至关重要的性能。
2015-07-28 q-bio.NC stat.ML
Generative Bayesian Filtering for State Estimation
Northwestern University(西北大学)
研究动态系统状态估计问题,提出生成式贝叶斯滤波框架GBF,用预训练条件生成模型取代简单观测模型,经贝叶斯预测-更新递归及转化,实验证明其提升了状态估计的准确性与鲁棒性。
2026-07-24 cs.LG stat.ML
A Fourier State Space Model for Bayesian ODE Filters
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Amazon Web Services(亚马逊云科技)
高斯常微分方程滤波是一种求解常微分方程的概率数值方法。它计算贝叶斯后验的解决方案,从评估的向量场定义的ODE。它最流行的版本,它采用了一个集成的布朗运动先验,使用泰勒展开的平均向前外推,并具有相同的收敛速度作为经典的数值方法。由于许多重要的常微分方程的解都是周期函数(振荡器),我们提出了一个问题,即在高斯常微分方程滤波的框架内是否也可以使用傅里叶展开。为此,我们构建了一个傅立叶状态空间模型的常微分方程和“混合”模型,结合了泰勒(布朗运动)和傅立叶状态空间模型。我们通过实验表明,混合模型可能成为有用的廉价预测,直到年底的时域。
2020-07-22 cs.LG cs.NA math.NA
A New Look at Bayesian Testing
Virginia Tech(弗吉尼亚理工大学);University of Chicago(芝加哥大学);George Mason University(乔治梅森大学);University of South Florida(南佛罗里达大学)
本文探讨了贝叶斯检验中关键偏差尺度的确定,推导了在集成贝叶斯风险下的最优拒绝边界,并展示了其在正则先验下的通用性。
2026-03-20 math.ST stat.ME stat.TH
Regularity-informed data assimilation: A hierarchical Bayesian approach to ensemble Kalman filtering for hyperbolic conservation laws
Division of Applied Mathematics, Linköping University(林雪平大学应用数学系);Center for Computational Science and Engineering, Massachusetts Institute of Technology(麻省理工学院计算科学与工程中心)
该研究针对双曲守恒律的状态估计问题,提出结合分层广义稀疏贝叶斯学习先验的GSBL-EnKF方法,提升了滤波结果的物理真实性与准确性。
2026-09-04 cs.NA math.NA stat.ME
A Bayesian Consistent Dual Ensemble Kalman Filter for State-Parameter Estimation in Subsurface Hydrology
Enhancement Kalman滤波(EnKF)是解决地下水模型不确定性的有效方法。EnKF依次将现场数据集成到仿真模型中,以获得模型状态和参数的更好表征。这些通常是估计联合和双重过滤策略,其中,在每个同化周期,预测步骤的模型是由一个更新步骤与传入的意见。联合EnKF直接更新增广的状态参数向量,而双EnKF采用两个单独的滤波器,首先估计参数,然后基于更新的参数估计状态。在本文中,我们颠倒了预测更新步骤的顺序以下的一步前进(OSA)的贝叶斯滤波问题的平滑制定,在此基础上,我们提出了一个新的双EnKF计划,双EnKF $_{\rm OSA}$。与Dual-EnKF相比,这在完全一致的贝叶斯框架中引入了一个新的状态更新步骤,该步骤可以提高双滤波方法的性能,而不会显着增加计算成本。数值实验进行了二维合成地下水含水层模型,以评估性能和鲁棒性的建议双EnKF $_{\rm OSA}$,并评估其结果对那些联合和双EnKF。该方案能够成功地恢复水头和含水层传导性,进一步提供可靠的估计其不确定性。与标准的Joint-和Dual-EnKF相比,该方案对不同的同化设置,如观测的空间和时间分布以及数据中的噪声水平更具鲁棒性。基于我们的实验设置,它可以产生高达25%的更准确的状态和参数估计。
2015-11-04 physics.data-an physics.geo-ph stat.ME
A Unified Bayesian Perspective for Conventional and Robust Adaptive Filters
本文提出自适应滤波器起源与解释的统一贝叶斯视角,通过状态空间模型递归推断与解结构简化,在统一框架下推导出多种依赖测量噪声概率模型的滤波器,并基于非高斯噪声提出全新鲁棒自适应算法。
2025-07-01 cs.IR math.ST stat.TH
A Bayesian Particle Filtering Method For Brain Source Localisation
在本文中,我们探讨了多源定位问题,在大脑皮层使用脑磁图(MEG)数据。我们模拟神经电流的逐点偶极源,随时间的推移动态演变,然后模型偶极动力学使用概率状态空间模型,其中偶极位置严格限制在皮层内。基于所提出的模型,我们开发了一个贝叶斯粒子滤波算法定位的偶极子的已知和未知的数量。该算法包括一个感兴趣的区域(ROI)估计步骤的初始偶极子数量估计,一个吉布斯多粒子滤波器(GMPF)步骤的个别偶极子状态估计,和一个选择标准的步骤,用于选择最终的估计。ROI估计的估计结果用于自适应地调整粒子滤波器的样本量以降低整体计算成本。所提出的模型和算法在数值实验中进行了测试。与现有的粒子滤波方法的结果进行了比较。数值结果表明,所提出的方法可以实现改进的性能指标的偶极子数量估计和偶极子定位。
2015-06-17 stat.AP
Convolutional Bayesian Filtering
School of Vehicle and Mobility, Tsinghua University(清华大学车辆与出行学院);Department of Advanced Manufacturing and Robotics, Peking University(北京大学先进制造与机器人系);Department of Mathematical Sciences, Tsinghua University(清华大学数学科学系);Beijing Institute of Mathematical Sciences and Applications(北京数学科学与应用研究院)
本文提出卷积贝叶斯滤波框架,通过引入不等式条件将条件概率转化为卷积形式,统一并推广标准贝叶斯滤波,并展示了其在Kalman滤波等经典算法中的鲁棒改进。
2024-03-30 cs.LG cs.SY eess.SY
A class of fast exact Bayesian filters in dynamical models with jumps
本文主要研究带跳动力学模型中的统计滤波问题。当一个特定的应用依赖于由线性和高斯跳跃概率密度函数建模的物理特性时,通常的方法是在线性和高斯跳跃马尔可夫状态空间系统(JMSS)中近似最优贝叶斯估计(在最小均方误差(MMSE)的意义下)。实际的解决方案包括基于数值近似或基于序贯蒙特卡罗(SMC)方法的算法。在本文中,我们提出了一类替代方法,包括在建设统计模型,共享相同的物理特性的利益,但在其中的最佳MMSE估计的计算可以在一个计算成本是线性的观察。
2013-10-01 stat.CO
Bayesian Conditional Density Filtering
Duke University(杜克大学);UC Santa Cruz(加州大学圣克鲁兹分校)
我们提出了一个有效的在线贝叶斯推断的条件密度过滤(C-DF)算法。C-DF使MCMC抽样适应在线设置,从近似值到条件后验分布进行抽样,该后验分布通过在新数据到达时传播替代条件充分统计量(数据和参数估计的函数)获得。这些量消除了同时存储或处理整个数据集的需要,并提供了许多理想的功能。通常,这些包括减少内存需求和运行时间,改进混合,以及最先进的参数推断和预测。这些改进是通过几个说明性的例子,包括高维压缩回归的应用程序。最后,我们证明了C-DF样本渐近收敛到目标后验分布的采样进行和更多的数据到达。
2015-09-22 cs.LG stat.CO stat.ML
Sparse bayesian step-filtering for high-throughput analysis of molecular machine dynamics
自然界已经进化出许多分子机器,如驱动蛋白、肌球蛋白和由线粒体离子电流驱动的旋转鞭毛马达。最近,通过新的实验分析,用时间序列直接观察这些机器的步进式运动已经成为可能。这些时间序列被需要去除的分子和实验噪声破坏,但是经典信号处理对于恢复这种阶跃状动力学的用途有限。本文报道了简单,新颖的贝叶斯滤波器,是强大的阶跃样动态噪声,并介绍了一个L1正则化,全局滤波器,其稀疏的解决方案,可以快速获得标准的凸优化方法。我们表明,这些技术优于经典滤波器的模拟时间序列在他们的能力,准确地恢复基本的步骤动态。为了显示在行动中的技术,我们提取类球形红细菌鞭毛电机时间序列的阶跃速度转换。实现这些算法的代码可从http://www.eng.ox.ac.uk/samp/members/max/software/获得。
2010-03-29 q-bio.QM stat.AP
Robust Bayesian Filtering and Smoothing Using Student's t Distribution
Linköping University(林雪平大学);Cambridge University(剑桥大学);Middle East Technical University(中东理工大学)
本文提出基于学生t分布的鲁棒滤波与平滑算法,以应对厚尾过程和测量噪声,改进卡尔曼滤波在非高斯环境下的性能。
2017-03-07 cs.SY eess.SY stat.CO
On off-line and on-line Bayesian filtering for uncertainty quantification of structural deterioration
研究离线与在线贝叶斯滤波在结构劣化参数估计中的性能,对比粒子滤波和MCMC滤波等三种方法,发现定制的在线粒子滤波器在精度与计算成本上具竞争力。
2022-08-16 stat.CO
Weak in the NEES?: Auto-tuning Kalman Filters with Bayesian Optimization
Department of Computer Science(计算机科学系);University of Colorado Boulder(科罗拉多大学博尔德分校);University College London(伦敦大学学院);Smead Aerospace Engineering Sciences(Smead航空航天工程科学系)
本文提出一种基于贝叶斯优化的自动调节卡尔曼滤波器方法,通过智能采样参数空间,利用非参数高斯过程代理函数,高效识别多个局部极小值并提供结果不确定性量化。
2018-07-23 cs.LG cs.RO cs.SY
A Discriminative Approach to Bayesian Filtering with Applications to Human Neural Decoding
Brown University(布朗大学)
给定将隐藏状态序列与对应的测量或观测相关联的静态状态空间模型,贝叶斯滤波提供了用于在给定到当前时间的所有测量的情况下推断当前状态的后验分布的原则性统计框架。例如,阿波罗登月舱实施了卡尔曼滤波器,从一系列基于地球的雷达测量中推断其位置,并安全降落在月球上。为了执行贝叶斯过滤,我们需要一个描述每个观测给定状态的条件分布的测量模型。卡尔曼滤波器将该测量模型视为线性高斯模型。在这里,我们展示了如何一个非线性的,高斯近似的状态分布给定的观察可以与贝叶斯规则结合使用,以建立一个非线性的,非高斯测量模型。由此产生的方法,称为判别卡尔曼滤波器(DKF),保留了快速的封闭形式更新的后验。我们认为,在许多情况下,状态的分布给定的测量是更好地近似为高斯,特别是当测量的维数远远超过状态和Bernstein-von Mises定理适用。脑机接口的在线神经解码提供了一个激励性的例子,其中过滤包含越来越详细的神经活动测量,以提供用户对外部设备的控制。在BrainGate 2临床试验中,DKF成功地使三名四肢瘫痪的志愿者能够仅使用心理图像实时控制屏幕上的光标。参与者“T9”使用DKF在平板电脑上键入消息。
2018-07-17 cs.LG cs.NE stat.ML