Continuous time limit of the stochastic ensemble Kalman inversion: Strong convergence analysis
EKI方法是一种在贝叶斯逆问题中估计未知参数的方法。该方法通过粒子的集合来近似基本测量，并迭代地应用集合卡尔曼更新以将先前的（近似）演化为后验测量。对于EKI的收敛性分析，通常的做法是导出一个连续的版本，用随机微分方程代替迭代。在本文中，我们验证了这种方法表明，随机EKI迭代收敛到路径的连续时间随机微分方程，同时考虑非线性和线性设置，我们证明了依概率收敛的前，和收敛的时刻为后者。所采用的方法也可应用于一般随机微分方程的更一般的数值格式的分析。
2021-07-30 cs.NA math.NA
Convergence Analysis of Ensemble Kalman Inversion: The Linear, Noisy Case
Institute for Mathematics, University of Mannheim（曼海姆大学数学研究所）；Department of Computing and Mathematical Sciences, California Institute of Technology（加州理工学院计算与数学科学系）
本文基于算法的连续时间极限，分析Ensemble Kalman inversion的动态行为，建立固定 Ensemble size 下的well-posedness和收敛性结果，探讨噪声对收敛性的影响。
2017-08-08 cs.NA math.NA
Adaptive Tikhonov strategies for stochastic ensemble Kalman inversion
集合卡尔曼反演（EKI）是一种无导数的优化算法，其主要目的是求解反演问题，其思想来源于著名的集合卡尔曼滤波。本文的目的是考虑引入自适应Tikhonov策略EKI。这项工作建立在Tikhonov EKI（TEKI）的基础上，提出了一个固定的正则化常数。通过自适应地学习正则化参数，该过程被称为提高潜在未知的恢复。对于分析，我们考虑一个连续的时间设置，我们扩展已知的结果，如良好的posdeness和收敛的各种损失函数，但增加了噪声观测。此外，我们允许时变噪声和正则化协方差在我们提出的收敛结果，模仿自适应正则化方案。反过来，我们提出了三个自适应正则化方案，这是突出从确定性和贝叶斯方法的反问题，其中包括双层优化，MAP制定和协方差学习。我们数值测试这些计划和理论的线性和非线性偏微分方程，他们优于非自适应TEKI和EKI。
2021-10-18 cs.NA math.NA
On the ensemble Kalman inversion under inequality constraints
针对集合卡尔曼反演忽略约束的问题，提出基于对数障碍的连续时间公式改进，纳入凸不等式约束，理论证明集合坍缩界及收敛性，并通过PDE示例验证。
2023-12-21 cs.NA math.NA
Tikhonov Regularization Within Ensemble Kalman Inversion
本文提出在集合卡尔曼反演中引入类似吉洪诺夫的Sobolev惩罚以结合先验信息进行正则化，证明了其连续时间极限的集合坍缩性质，并通过数值实验验证了该方法的优势。
2019-01-29 cs.NA math.NA math.OC
On the Incorporation of Box-Constraints for Ensemble Kalman Inversion
贝叶斯反问题方法在实际中被广泛用于从噪声观测中推断未知参数。在这个框架内，集合卡尔曼反演已成功地应用于量化的不确定性在各个领域的应用。近年来，一个完整的分析方法已经发展为线性逆问题，采用优化的观点。然而，许多应用需要对参数结合附加约束，例如由于物理约束而产生的约束。我们提出了一个新的变形的集合卡尔曼反演，包括框约束的未知参数的理论，预计预处理梯度流的动机。基于约束集合卡尔曼反演的连续时间限制，讨论了线性正演问题的全收敛分析。我们采用过滤技术，这是至关重要的，以提高性能，并建立一个正确的下降，如方差膨胀。这些好处是突出通过一些数值例子对各种反问题的基础上偏微分方程。
2019-10-14 cs.NA math.NA math.OC
Accuracy Boost in Ensemble Kalman Inversion via Ensemble Control Strategies
针对初始集合子空间限制 EKI 精度的问题，本文提出最优子空间框架及融合先验、数据和模型信息的贪心集合选择策略，显著提升高维不适定反演的精度与可扩展性。
2025-03-14 cs.NA math.NA
Unscented Kalman Inversion: Efficient Gaussian Approximation to the Posterior Distribution
文献[1]中提出的无迹卡尔曼反演（UKI）方法是一种通用的无导数反演方法。UKI特别适合于逆问题，其中正向模型是作为黑盒给出的，并且可能是不可微的。深入研究了UKI的正则化策略、收敛性和加速策略[1，2]，该方法能够处理噪声观测数据和求解混沌逆问题。本文研究了UKI的不确定度量化能力。我们提出了一个修改的UKI，它允许很好地近似的平均值和协方差的后验分布的适定性反问题与大的观测数据。线性和非线性反问题的理论保证。数值结果，包括学习渗透率参数在地下流动和Navier-Stokes初始条件的解决方案数据在积极的时间。通过UKI得到的结果仅需要$O(10)$迭代，并且与通过马尔可夫链蒙特卡罗方法得到的预期结果匹配良好。
2021-04-22 cs.NA math.NA
Dropout Ensemble Kalman inversion for high dimensional inverse problems
本文针对集成卡尔曼反演在高维问题中受子空间性质限制的难题，提出dropout正则化方法，证明其在小集合下收敛且计算成本随维度线性增长，并达到最优查询复杂度。
2024-09-30 cs.NA math.NA
Ensemble Kalman Inversion method for an inverse problem in soil-structure interaction
在许多工程应用中，基础结构与土之间的相互作用已经得到了发展。为了确定基础结构中的应力，需要确定土壤刚度相对于变形板的位移w的影响（正问题），反之亦然，基础结构的刚度如何影响产生的沉降（反问题）。在本文中，我们处理的Winkler数学模型，并建议使用一个有效的Enclosula卡尔曼反演计划（EKI），迭代正则化的逆问题的不适定性。它是贝叶斯逆问题中使用的正则化优化器，在伪时间内对粒子进行采样，由于这些粒子的运动而引入运动。EKI算法收敛于使目标函数最小化的最优化问题的解。在这方面，我们展示了如何重建Winkler地基反力系数的矩形薄板加载与现有的建筑物使用EKI方法结合的有限差分法（FDM）离散的双调和算子的控制方程。
2022-05-16 cs.NA math.NA
Ensemble Kalman Inversion for nonlinear problems: weights, consistency, and variance bounds
针对非线性正向映射下EnKI和EnSRF有偏及重要性采样方差大的问题，提出加权版本WEnKI和WEnSRF，兼具无偏性和有界权重方差，并证明了其性质及方程稳定性。
2020-07-22 cs.NA math.NA
Ensemble Kalman Inversion for Image Guided Guide Wire Navigation in Vascular Systems
针对心血管介入中高分辨率图像导致 EKI 计算代价过高的问题，提出基于随机梯度连续时间表示的子采样 EKI，并在真实导丝数据上验证了参数估计潜力。
2023-12-11 cs.NA math.NA
$l_p$ regularization for ensemble Kalman inversion
包围卡尔曼反演（EKI）是一种介于确定性和概率性反演方法之间的无需导数的最优化方法。EKI迭代基于集合的卡尔曼滤波器的卡尔曼更新，其集合收敛到目标函数的最小值。EKI正则化不适定的问题，限制合奏的线性跨度的初始合奏，或通过迭代正则化提前停止。EKI的另一种正则化方法Tikhonov EKI使用$l_2$惩罚项惩罚目标函数，防止标准EKI中的过拟合。本文提出了一种策略，实现$l_p, 0<p\leq 1,$正则化的EKI恢复稀疏结构的解决方案。该策略将$l_p$问题转化为$l_2$问题，然后用Tikhonov EKI求解。转换是明确的，因此，所提出的方法具有计算成本与吉洪诺夫EKI。我们通过一套数值实验，包括压缩传感和地下水流逆问题，验证了所提出的方法的有效性和鲁棒性。
2021-04-01 cs.NA math.NA math.OC
Convergence Acceleration of Ensemble Kalman Inversion in Nonlinear Settings
许多数据科学问题可以被公式化为逆问题，其中通过最小化适当的损失函数来估计参数。当涉及复杂的黑盒模型时，通常需要无导数优化工具。集合卡尔曼滤波（EnKF）是一种基于粒子的无导数贝叶斯算法，最初设计用于数据同化。最近，它已被应用到反问题的计算效率。由此产生的算法，称为集合卡尔曼反演（EKI），涉及运行具有EnKF更新规则的粒子集合，因此它们可以收敛到最小值。在这篇文章中，我们研究EKI收敛在一般的非线性设置。为了提高收敛速度和稳定性，我们考虑采用非常数步长和协方差膨胀的EKI。我们证明了EKI可以在非凸的情况下以有限步达到临界点。我们进一步证明了，如果损失函数是强凸的，EKI多项式快速收敛到全局极小。我们验证了两个反问题的数值实验分析。
2021-10-18 cs.NA math.NA math.OC
Ensemble Kalman inversion with non-smooth regularization
Universität Mannheim, Institute of Mathematics（曼海姆大学数学研究所）
本文提出基于子梯度的集合卡尔曼反演（SEKI）方法，通过协方差预条件将非光滑正则化整合到集合均值中，并在强凸情况下分析其收敛性，验证了非光滑正则化在计算断层扫描和稀疏恢复中的有效性。
2026-03-23 cs.NA math.NA math.OC
A Stabilization of a Continuous Limit of the Ensemble Kalman Inversion
扩展卡尔曼滤波器（EnKF）属于迭代粒子滤波方法，可用于求解控制-可观测逆问题。在这种情况下，EnKF被称为Envelope Kalman Inversion（EKI）。近年来，为了研究该方法的性质，对迭代次数和粒子数进行了连续限制。特别是，一维线性稳定性分析揭示了可能的缺点，在相空间的时刻提供的连续限制的EKI，但也观察到在多维设置。在这项工作中，我们解决这个问题，通过引入一个稳定的动态，导致一个方法与全局渐近稳定的解决方案。我们说明了稳定版本的性能，使用测试反问题从文献中，并将其与经典的连续极限制定的方法。
2022-02-16 cs.NA math.DS math.NA
An adaptive multi-fidelity PC-based ensemble Kalman inversion for inverse problems
Southeast University（东南大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
本文提出了一种自适应多保真多项式混沌基于集合卡尔曼反演的方法，用于解决高维非线性PDE描述系统中集合卡尔曼反演计算成本高的问题，通过结合大量低阶多项式混沌替代模型评估和少量高保真正向模型评估，显著降低了计算成本。
2018-09-21 cs.NA math.NA
A Bi-fidelity Ensemble Kalman Method for PDE-Constrained Inverse Problems
基于偏微分方程的复杂物理系统的数学建模与仿真在工程和工业应用中得到了广泛的应用。为了实现可靠的预测，通过推断未知参数/场（例如，边界条件、机械性能和操作参数），这被称为PDE约束的逆问题。在这项工作中，我们开发了一种新的双保真度（BF）集合卡尔曼反演方法来应对这一挑战，利用高保真模型的准确性和低保真度模型的效率。其核心思想是建立一个具有有限数量高保真样本的BF模型，用于迭代集合卡尔曼反演中的高效前向传播。与现有的反演技术相比，所提出的方法的显着特点可以概括如下：（1）实现高保真模型的精度，但以低保真度模型为代价，（2）是鲁棒的和衍生的自由，和（3）代码非侵入性，使不同的应用程序易于部署。所提出的方法已被评估的三个反问题，是相关的流体动力学，包括参数估计和现场反演。数值结果表明，所提出的BF集合卡尔曼反演方法，大大优于标准卡尔曼反演的效率和精度方面的优异性能。
2020-07-19 cs.NA math.NA physics.comp-ph
Improve Unscented Kalman Inversion With Low-Rank Approximation and Reduced-Order Model
文献[1]中提出的无迹卡尔曼反演（UKI）是一种求解反演问题的通用无导数方法。UKI特别适合于逆问题，其中正向模型是作为黑盒给出的，并且可能是不可微的。深入研究了UKI的正则化策略和收敛特性，并通过实验验证了该方法在处理噪声观测数据和求解混沌反问题中的有效性。在本文中，我们的目标是使UKI更有效的计算和内存成本的大规模反问题。我们利用低秩的协方差结构，以减少正向问题的评估和内存成本，需要传播大的协方差阵的数量。我们利用降阶模型技术来进一步加快这些前向评估。在一个具有O（$10^5$）未知参数的正压模式反问题和一个三维广义环流模式（GCM）反问题上证明了增强的UKI的有效性，其中每次迭代与基于梯度的最优化方法一样有效。
2021-02-23 cs.NA math.NA math.OC
Dynamical Low-Rank Approximations for Kalman Filtering
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
提出卡尔曼 - 布西过程的动态低秩逼近（DLR - KBP）及扩展的DLR - ENKF过程，通过在低维时变子空间演化降低计算成本，增大系综规模，降低蒙特卡罗误差，提高滤波精度，经理论研究和数值实验验证有效。
2026-07-09 cs.NA math.NA
An ensemble Kalman filter approach based on level set parameterization for acoustic source identification using multiple frequency information
该方法利用远距离闭曲面上的多频噪声数据重建空间相关的未知声源。假设未知函数在有界域上受支持。为了确定支持度，我们提出了一种统计反演算法，它结合了集合卡尔曼滤波方法和水平集技术。数值算例表明，该方法具有良好的数值重构效果。
2019-07-29 cs.NA math.NA
Localization in Ensemble Kalman inversion
针对集成卡尔曼反演（EKI）受子空间性质限制、集成规模需超过问题维度的问题，提出局域化EKI（LEKI）方法，证明其能突破初始子空间、收敛至全局最优，并用多类数值算例验证理论结果。
2022-01-31 cs.NA math.NA stat.CO
Ensemble Kalman Inversion as an Inertial Interacting Particle System
Institute for Geometry and Applied Mathematics, RWTH Aachen University（亚琛工业大学几何与应用数学研究所）；Department of Mathematics and Applied Mathematics, University of Pretoria（比勒陀利亚大学数学与应用数学系）；Department of Mathematics, Sapienza University of Rome（罗马第一大学数学系）
针对集合卡尔曼反演中协方差崩溃问题，提出一种结合阻尼、均值吸引和短程排斥的惯性二阶粒子系统，在线性反问题中分析其稳定性并导出指数衰减估计。
2026-09-15 cs.NA math.DS math.NA
Adaptive regularisation for ensemble Kalman inversion
我们提出了一个新的正则化策略的经典集合卡尔曼反演（EKI）框架。该战略包括：（i）EKI中更新公式中正则化参数的自适应选择，以及（ii）方案提前停止的标准。与现有的方法相比，我们的参数选择不依赖于额外的调谐参数，这往往有严重的影响EKI的效率。我们激励我们的方法使用的解释EKI作为高斯近似的贝叶斯回火设置反问题。我们表明，我们的参数选择控制连续回火措施之间的对称Kulback-Leibler分歧。我们进一步激励我们的选择使用启发式统计差异原则。我们测试我们的框架，使用电阻抗断层扫描与完整的电极模型。参数化的未知电导率，使我们能够同时平滑或不连续（分段常数）字段。我们数值表明，建议的正则化EKI可以产生有效的，强大的和准确的估计，即使是不连续的情况下，往往需要更大的合奏和更多的迭代收敛。我们比较所提出的技术与标准的选择方法，并证明所提出的方法是一个可行的选择，以解决计算效率的EKI在实际/操作设置。
2020-09-23 cs.NA math.NA math.OC
Gradient flow structure and convergence analysis of the ensemble Kalman inversion for nonlinear forward models
集合卡尔曼反演（EKI）是一种基于粒子的方法，它是集合卡尔曼滤波在反演问题中的应用。在实践中，它已被广泛用于无导数的最优化方法，以估计未知参数的噪声测量数据。对于线性正演模型，EKI可以看作是由某一样本协方差阵预处理的梯度流。通过预处理，所得到的格式保持在原始高维（甚至无限维）参数空间的有限维子空间中，并且可以被视为限制在该子空间中的优化器。对于一般的非线性正演模型，所得到的EKI流只能近似地看作是梯度流。在本文中，我们讨论了应用样本协方差作为预处理矩阵和量化的梯度流结构的EKI通过控制近似误差，通过在粒子系统中的传播的效果。系综坍缩一方面导致精确的梯度近似，但另一方面导致预处理样本协方差阵的退化。为了确保收敛的最优化方法，我们得到的集合崩溃的下限和上界。此外，我们在不破坏子空间性质的情况下引入协方差膨胀，旨在降低系综的崩溃率，从而提高收敛速度。在一个数值实验中，我们应用EKI的非线性椭圆边值问题，并说明依赖于EKI作为导数自由优化的初始合奏的选择。
2022-09-02 cs.NA math.NA math.OC
Perspectives on locally weighted ensemble Kalman methods
本文从函数逼近视角提出局部加权集合卡尔曼反演方法，结合粒子滤波与集合卡尔曼滤波优势，并用数值实验验证其在逼近和反演中的精度。
2025-05-06 cs.NA math.NA math.PR
Ensemble Kalman Inversion: mean-field limit and convergence analysis
本文分析了连续版 Ensemble Kalman Inversion 的耦合 SDE 系统，证明了其平均场极限：粒子经验测度以最优速率收敛到 Fokker-Planck 方程的解，且在线性情况下能在有限时间内重建目标分布。
2020-07-30 cs.NA math.NA math.PR
Gradient-free training of neural ODEs for system identification and control using ensemble Kalman inversion
Frankfurt School of Finance and Management（法兰克福金融管理学院）
本文提出用无梯度的 EKI 训练 neural ODEs，并通过含 Tikhonov 正则化的反问题处理系统辨识与最优控制，实验表明其效率和解质量可媲美梯度优化器。
2023-07-15 cs.LG cs.NA cs.SY
Iterated Kalman Methodology For Inverse Problems
本文主要研究反问题求解的优化方法。我们引入了一个随机动力系统，其中嵌入的参数到数据的映射，采用非线性卡尔曼滤波技术来估计参数给定的数据的目标。扩展卡尔曼滤波器（在逆问题的上下文中我们称之为ExKI）对于以这种方式处理的一些逆问题可能是有效的，但是当前向映射不容易微分并且作为黑盒给出时是不切实际的，并且对于高维参数空间也是不切实际的，因为需要传播大的协方差阵。集合卡尔曼滤波器的应用，例如使用集合卡尔曼反演（EKI）算法，已经成为克服这两个问题的有用工具：它是无导数的，并且与从集合形成的低秩协方差近似一起工作。在本文中，我们与ExKI，EKI，和EKI的变种，我们术语无迹卡尔曼反演（UKI）。该文件包含两个主要贡献。首先，我们确定了一个新的随机动力系统，其中嵌入的参数到数据的映射。我们目前的理论在线性的情况下，显示指数收敛的平均值的过滤分布的正则化最小二乘问题的解决方案。这是在以前的工作中，EKI已被采用的动力系统使用导致代数收敛到一个非正则化的问题。其次，我们表明，这种新的随机动力系统的应用程序的UKI产生改进的反演结果，在EKI的应用程序相比，相同的新的随机动力系统。
2022-04-28 cs.NA math.DS math.NA
Parameterizations for Ensemble Kalman Inversion
University of Warwick（华威大学）；University of Nottingham（诺丁汉大学）；Imperial College London（帝国理工学院）；California Institute of Technology（加州理工学院）
本文探讨了如何通过几何和分层方法设计有效的参数化方案，以提升在电阻抗成像、地下水流动和源反演等应用中的卡尔曼反演性能。
2018-03-19 cs.NA math.NA math.OC
Complete Deterministic Dynamics and Spectral Decomposition of the Linear Ensemble Kalman Inversion
解$y = A u +\varepsilon$型贝叶斯反问题的集合卡尔曼反演（EKI）是一种强有力的工具，它以$u$为未知参数，以$y$为给定数据，以$\varepsilon$为观测噪声，通常从序贯蒙特卡罗的观点导出.它描述了一个粒子的合奏$\{u^j(t)\}_{j=1}^J$，其初始的经验措施是从以前的采样，在一个人工时间$t$对逆问题的近似解的演变，与$t=1$仿真后，和$t\to\infty$对应的下正则化的最小范数解的逆问题的动态。使用谱技术，我们提供了一个完整的描述的确定性动力学的EKI及其在参数空间中的渐近行为。特别是，我们分析了天真的EKI和平均场EKI的动力学，特别关注他们的时间渐近行为。此外，我们表明-即使在确定性的情况下-参数空间中的残差不单调递减的欧几里德规范，并建议一个问题适应规范，其中单调性可以证明。最后，我们推导出一个系统的常微分方程的频谱和特征向量的协方差矩阵。虽然分析的目的是EKI，我们相信，它可以应用于了解更一般的粒子为基础的动力系统。
2022-10-30 cs.NA math.NA math.OC
Uncertainty quantification for deeponets with ensemble kalman inversion
University of Iowa（爱荷华大学）
针对DeepONet在有限含噪数据下的不确定性量化需求，提出基于集成卡尔曼反演的推理方法，结合小批量变体与启发式协方差估计，高效训练集成并生成可靠不确定性估计，在多基准问题中验证了有效性。
2024-03-06 cs.AI cs.LG cs.NA
Dynamical Low-Rank Ensemble Kalman filter for State/Parameter estimation
Institute of Mathematics, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院数学研究所）；Computer, Electrical and Mathematical Sciences and Engineering Division, King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学计算机、电气与数学科学与工程系）
本文提出动态低秩集合卡尔曼滤波器，通过动态降维基实现高维系统中状态与参数的高效估计。
2026-10-09 cs.NA math.NA
Filtering with Randomised Observations: Sequential Learning of Relevant Subspace Properties and Accuracy Analysis
VU Amsterdam（阿姆斯特丹大学）；Department of Mathematics（数学系）；Ilmenau University of Technology（伊伦瑙技术大学）；School of Engineering Sciences（工程科学学院）
针对状态估计中的滤波问题，研究连续集成卡尔曼滤波在不同部分观测下的跟踪性能，建立误差界，并提出序贯学习方案自适应确定相关子空间维度，实现误差控制与子空间规模识别。
2025-09-05 cs.LG cs.NA math.NA
An ensemble Kalman approach to randomized maximum likelihood estimation
本文提出集合卡尔曼随机最大似然估计方法，通过演化集合求解随机扰动优化问题以近似贝叶斯后验采样，并结合平衡截断模型降阶策略降低高维前向模型的计算代价。
2025-07-03 cs.NA math.NA
A New Look at the Ensemble Kalman Filter for Inverse Problems: Duality, Non-Asymptotic Analysis and Convergence Acceleration
Department of Aerospace Engineering & Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与应用力学系）；Hildebrand Department of Petroleum and Geosystems Engineering（希尔布兰德石油与地质系统工程系）；Oden Institute for Computational Engineering and Sciences, UT Austin（德克萨斯大学奥斯汀分校奥登计算工程与科学学院）；Facebook research（Facebook 研究）
本文通过新的对偶视角，提出改进EnKI算法的收敛策略，加速EnKF在逆问题中的收敛速度并提升解的质量。
2026-01-24 cs.NA math.NA math.OC
A Review of the EnKF for Parameter Estimation
集合卡尔曼滤波是一种著名的数据同化算法。它是特别相关的，因为它用于高维问题，通过更新粒子的合奏通过一个样本均值和协方差阵。在本章中，我们提出了一个相对较新的主题，这是应用EnKF反问题，被称为集合卡尔曼反演（EKI）。EKI用于参数估计，它可以被看作是一个黑箱优化器的偏微分方程约束的反问题。在本章中，我们提出了讨论的方法的审查，同时提出新兴的和新的研究领域，在地球科学和数值天气预报中出现的许多有趣的模型提供数值实验。
2022-07-26 cs.NA math.NA
A Stochastic Covariance Shrinkage Approach in Ensemble Transform Kalman Filtering
Ensemble卡尔曼滤波器（EnKF）采用蒙特卡罗方法来表示协方差信息，并受到操作设置中的采样误差的影响，其中模型实现的数量远小于模型状态维度。为了减轻这些误差的影响，EnKF依赖于模型特定的算法，如协方差定位，它利用了模型变量之间相关性的空间局部性。这项工作提出了一种方法，以减轻采样误差，利用当地平均的时间动态的模型，描述的气候协方差的动态系统。我们使用这个协方差作为目标矩阵的协方差收缩方法，并开发了一个随机协方差收缩方法，其中合成集成成员被绘制到丰富的集成子空间和集成变换。我们还提供了一种方法，这种方法可以本地化类似于国家的最先进的LETKF方法，并且对于一定的模型设置，我们的方法显着优于它。
2022-06-03 cs.NA math.NA stat.ME
Observed-unobserved information transfer in ensemble Kalman filtering for the partially observed Lorenz 96 model
Nagoya University（名古屋大学）
本文研究了投影PO方法在部分观测洛伦兹96模型中的误差分析，通过加性协方差膨胀建立统一时间误差界，并验证了有无投影设置的准确性。
2026-10-09 cs.NA math.DS math.NA
The Ensemble Kalman Filter for Dynamic Inverse Problems
本文针对动态正向模型下的反问题，提出了一种基于粒子的无导数优化方法dynamic-EKI，通过协方差结构分析粒子系统的矩界与集合坍塌，证明了期望意义下的收敛性，并在二维达西流偏微分方程实验中验证了理论结果。
2024-09-25 cs.NA math.NA stat.ME
Dynamical Low-Rank Filters for Data Assimilation
University of Manchester（曼彻斯特大学）；Massachusetts Institute of Technology（麻省理工学院）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
该研究针对基于随机微分方程的数据同化问题，提出动态低秩型滤波器，推导DLRA滤波器并扩展至Kalman-Bucy型及集合方法，还提出粒子型DLRA滤波器，数值模拟验证了其在非线性场景的有效性。
2026-10-15 cs.NA math.NA
EnKSGD: A Class Of Preconditioned Black Box Optimization And Inversion Algorithms
本文提出EnKSGD类无导数优化算法，基于EnKF基础理论改进，兼具仿射不变性与回溯线搜索，无需子空间约束与方差坍缩，适用范围更广，数值实验验证其收敛速度优于现有EnKF优化方法。
2023-03-29 cs.NA math.NA math.OC
Time-uniform accuracy of ensemble Kalman filters with localization
University of Chicago（芝加哥大学）；New York University（纽约大学）
本文证明确定性平方根集合卡尔曼滤波器在线性高斯系统中具有时间一致精度，集合大小取决于有效秩和不稳定子空间维数；对局地化滤波器，集合大小取决于局部维数且随空间块数对数增长。
2026-09-22 cs.NA math.DS math.NA
Adaptive Spectral Inversion for Inverse Medium Problems
提出自适应谱反演（ASI）算法，通过在动态特征子空间中迭代最小化失配求解反介质问题，无需额外Tikhonov惩罚，并在收敛性证明和数值实验中展现出优于标准网格反演的精度。
2023-07-27 cs.NA math.NA
Ensemble Kalman Methods: A Mean Field Perspective
本文针对集成卡尔曼方法精度分析滞后的问题，提出基于平均场的统一框架，涵盖状态与参数估计、离散与连续时间场景，统一领域文献并指明开放问题。
2024-10-07 cs.NA math.NA math.OC
Planar Curve Registration using Bayesian Inversion
Technical University of Denmark（丹麦技术大学）；Imperial College London（伦敦帝国理工学院）；Baylor University（贝勒大学）
本文将闭合平面曲线匹配建模为贝叶斯反问题，结合LDDMM、Wu-Xu元与集成Kalman反演，提出了一种参数化无关且网格无关的曲线配准方法。
2023-07-10 cs.CV cs.NA math.NA
Partial inversion of the elliptic operator to speed up computation of likelihood in Bayesian inference
通常，在解决正向、反向或数据同化问题时，只需要解决方案的一部分。作为一个模型，我们考虑平稳扩散问题。我们演示了一个算法，可以计算的解决方案的一部分或一个功能，而不计算完整的反演算子和完整的解决方案。关于偏微分方程的一个众所周知的事实是，每个离散点的解依赖于所有其他离散点的解。因此，不可能只计算一个点的解，而不计算所有其他点的解。标准的数值方法，如共轭梯度法或高斯消元法计算整体解和/或完整的逆算子。本文提出了一种方法，它可以计算给定的偏微分方程1）在一点; 2）在少数几点; 3）在一个界面上的解;或解的泛函，而不需要计算所有点的解。与标准方法相比，所需的存储成本和计算资源将更低。通过这种新方法，我们可以加快例如过滤或似然分布中的新息计算，这可以衡量数据失配（失配）。此外，我们可以加快解决回归，贝叶斯反演，数据同化和卡尔曼滤波器更新问题。此外，应用分层矩阵近似，我们减少了立方计算成本几乎线性$\mathcal{O}(k^2n \log^2 n)$，其中$k\ll n$和$n$是自由度的数量。在分层矩阵逼近误差范围内，计算结果是精确的。这种方法的缺点之一是需要修改现有的确定性求解器。
2020-08-04 cs.NA math.NA
DeepONet-accelerated Bayesian inversion for moving boundary problems
School of Mathematical Sciences, University of Nottingham, UK（数学科学学院，诺丁汉大学）
本文提出基于DeepONet的加速贝叶斯反演方法，用于解决移动边界问题，通过高效替代模型提升反演效率，适用于复合材料制造中的RTM工艺监控。
2025-12-23 cs.LG cs.NA math.NA
Ensemble transform Kalman-Bucy filters
University of Maryland, College Park（马里兰大学帕克分校）；Universität Potsdam（波茨坦大学）
针对现有集成卡尔曼-布西滤波器在背景误差协方差与观测误差协方差比值较大时出现的刚性ODE问题，提出稳定且计算高效的变换方法，并在三个模型上验证了有效性。
2012-08-31 cs.NA math.DS math.NA
Multilevel Optimization for Inverse Problems
反问题出现在工程中的各种参数识别任务中。这些问题在实践中是具有挑战性的，因为它们需要重复评估计算昂贵的前向模型。我们介绍了一个统一的框架，多级优化，可以应用到广泛的优化为基础的求解器。我们的框架可证明降低了与评估来自各种物理模型的昂贵的前向映射相关的计算成本。为了证明我们的分析的多功能性，我们讨论了它的影响，包括多级（加速，随机）梯度下降，多级集合卡尔曼反演和多级Langevin采样器的各种方法。我们还提供了数值实验来验证我们的理论发现。
2022-04-28 cs.NA math.NA math.OC
Improving the use of the randomized singular value decomposition for the inversion of gravity and magnetic data
研究了利用$L_1$ -范数正则化方法对重磁位场数据进行大尺度聚焦反演的问题。随机奇异值分解方法的使用有助于解决这些大规模逆问题的解决方案中出现的计算挑战。因此，强大的随机奇异值分解用于算法中所需的所有线性系统的数值解。全面比较的开发方法的反演磁和重力数据。这些结果表明，一般有一个重要的区别之间的重力和磁力反演问题。具体而言，随机奇异值分解是依赖于生成的秩$q$近似的基础模型矩阵，结果表明，$q$需要更大，等效的问题大小，磁问题相比，重力问题。在没有相对大的$q$的情况下，磁模型矩阵的主导奇异值不能很好地近似。该比较还显示了如何使用嵌入在随机化算法中的幂迭代来提高所得到的主导子空间近似的质量，特别是在磁性反演中，从而为$q$的较小选择产生可接受的近似。代价是近似精度和计算成本之间的权衡。该算法适用于反演的磁性数据获得了一部分的Wuskwatim湖地区在加拿大马尼托巴省
2019-06-26 cs.NA math.NA physics.data-an
