A transport-based multifidelity preconditioner for Markov chain Monte Carlo
Courant Institute of Mathematical Sciences, New York University（纽约大学库朗数学科学研究所）；Massachusetts Institute of Technology（麻省理工学院）
本文提出一种基于传输的多保真预条件器，结合高保真与低保真模型，通过构造传输映射生成非高斯提议分布，实现高效采样，保证马尔可夫链的平稳分布为高保真后验。
2018-08-28 cs.NA math.NA math.PR
Bayesian Conditional Monte Carlo Algorithms for Sequential Single and Multi-Object filtering
贝叶斯滤波的目的是从一个观察到的过程中顺序跟踪一个隐藏的过程。特别是，序贯蒙特卡罗（SMC）技术传播的时间加权的轨迹，表示的后验概率密度函数（pdf）的隐藏过程给定的可用的意见。另一方面，条件蒙特卡罗（CMC）是一种方差缩减技术，它用给定另一个变量的条件期望来代替感兴趣时刻的估计量。在本文中，我们表明，一些适应，可以利用SMC算法的时间递归性质，以提出自然的时间CMC估计的一些点估计的隐藏过程，这优于相关的粗蒙特卡罗（MC）估计无论样本数。我们接下来表明，我们的贝叶斯CMC估计可以准确地计算，或有效地近似，在一些隐藏的马尔可夫链（HMC）模型，在一些跳跃马尔可夫状态空间系统（JMSS），以及在多目标滤波。最后通过仿真验证了算法的有效性。
2012-10-18 stat.CO
Bayesian Trend Filtering via Proximal Markov Chain Monte Carlo
近似马尔可夫链蒙特卡罗是贝叶斯计算和凸优化的交叉点，它有助于推广贝叶斯统计中不可微先验的使用。然而，现有的近端MCMC公式需要预先指定超参数和正则化参数。在这项工作中，我们通过引入一类新的不可微先验称为epigraph先验扩展了近端MCMC的范例。作为概念的证明，我们将趋势过滤，这本来是一个非参数回归问题，在参数设置提供后验中值拟合连同可信区间作为不确定性的措施。其关键思想是用Moreau-Yosida包络代替后验密度中的非光滑项，这使得基于梯度的MCMC采样器哈密顿蒙特卡罗的应用成为可能。所提出的方法以数据驱动的方式识别适当的平滑量，从而自动化正则化参数选择。与传统的近端MCMC方法相比，我们的方法主要是调整自由，实现了同时校准的均值，规模和正则化参数在一个完全贝叶斯框架。本文的补充材料可在网上查阅。
2023-01-21 stat.CO
Efficient Multifidelity Likelihood-Free Bayesian Inference with Adaptive Computational Resource Allocation
无似然贝叶斯推断算法是用于校准复杂随机模型的参数的流行方法，当观察数据的似然性难以处理时需要。这些算法的特点是严重依赖于重复的模型模拟。然而，每当模拟的计算成本甚至是适度昂贵的，显着的负担所产生的似然自由算法离开他们在许多实际应用中是不可行的。已经引入了多保真度方法（最初是在近似贝叶斯计算的上下文中），通过使用模拟计算上便宜的近似模型代替感兴趣的模型所提供的信息，来减少无可能性推理的模拟负担，而不损失准确性。这项工作的第一个贡献是证明多保真度技术可以应用于一般的似然自由贝叶斯推断设置。在不同的保真度水平的模拟计算资源的最佳分配的分析结果，并随后实际实施。我们提供了一个自适应的多保真度似然自由推理算法，学习模型之间的关系，在不同的精度，并相应地适应资源分配，并证明该算法产生后验估计与接近最佳的效率。
2021-12-22 q-bio.QM stat.CO
Multifidelity multilevel Monte Carlo to accelerate approximate Bayesian parameter inference for partially observed stochastic processes
随机过程模型在几乎所有的科学领域都有着广泛的应用。理论验证、参数估计和预测都需要使用数据进行模型校准和统计推断。然而，数据几乎总是对现实的不完整观察。这给统计推断带来了巨大的挑战，因为对于几乎所有部分可观测的随机过程，似然函数都是难以处理的。这使得许多统计方法，特别是在贝叶斯框架内，不可能实现。因此，计算上昂贵的似然自由的方法，取代可能性评估与实现的模型和观察过程。然而，为了准确的推断，无似然技术可能需要数百万昂贵的随机模拟。为了应对这一挑战，我们开发了一种新的方法的基础上，在多层次和多保真度的最新进展。我们的方法相结合的多级蒙特卡罗伸缩求和，应用到一个序列的近似贝叶斯后验目标，与多保真度拒绝采样器，以尽量减少计算昂贵的准确推理所需的精确模拟的数量。我们提出了我们的新算法的推导似然自由贝叶斯推断，讨论实际的实施细节，并展示了显着的性能改善。使用系统生物学的例子，我们证明了超过两个数量级的标准拒绝抽样技术的改进。我们的方法通常适用于加速其他抽样方案，如序贯蒙特卡罗，使可行的贝叶斯分析在物理，化学，生物学，流行病学，生态学和经济学的实际应用。
2022-06-02 q-bio.MN stat.CO
Sequential Markov Chain Monte Carlo for Bayesian Filtering with Massive Data
数字传感器、数字数据存储和通信的进步使得系统能够积累大量数据。在光处理的挑战，海量数据的存在，这项工作提出了解决方案的推理和过滤问题的贝叶斯框架内。针对非线性和非高斯状态空间模型，提出了两种新的贝叶斯推断算法，能够处理大量数据（或观测值）。这些是顺序的马尔可夫链蒙特卡罗（MCMC）方法，其依赖于两个关键思想：1）对大量数据进行子采样，并利用较小的子集进行过滤和推断，以及2）分别使用测量的子集计算局部过滤分布的分治型方法。仿真结果突出的准确性和大量的计算节省，可以达到90%的标准技术相比，所提出的算法。
2015-12-08 stat.AP stat.CO
Online inference in Markov modulated nonlinear dynamic systems: a Rao-Blackwellized particle filtering approach
马尔可夫调制（切换）状态空间是应用统计学中一个重要的模型范式。在这篇文章中，我们特别考虑马尔可夫调制的非线性状态空间模型，并解决在线贝叶斯推断问题，这样的模型。特别是，我们提出了一个新的Rao-Blackwellized粒子滤波器的推理任务，这是我们的主要贡献。随后给出包括算法概要的详细描述。
2013-11-25 stat.CO
Langevin and Hamiltonian based Sequential MCMC for Efficient Bayesian Filtering in High-dimensional Spaces
非线性非高斯状态空间模型出现在统计和信号处理的许多应用中。在这种情况下，最成功和最流行的近似技术之一是序贯蒙特卡罗（SMC）算法，也称为粒子滤波。然而，这种方法往往是低效的，当应用于高维问题。在本文中，我们专注于另一类顺序推理方法，即顺序马尔可夫链蒙特卡罗（SMCMC）技术，这是一个很有前途的替代SMC方法。在为SMCMC方法提供了一个统一的框架后，我们提出了基于Langevin扩散和Hamilton动力学原理的新的有效策略，以应对越来越多的高维应用。仿真结果表明，所提出的算法实现了显着更好的性能相比，现有的算法。
2015-10-29 stat.AP stat.CO
Geometry-Consistent Bayesian Filtering under Structural Model Uncertainty: A Geometric Projection Particle Filter
U R Rao Satellite Centre, Indian Space Research Organisation (ISRO)（印度空间研究组织乌拉·拉奥卫星中心）；Centre for Computational and Data Sciences, Indian Institute of Science（印度科学学院计算与数据科学中心）
研究针对自主GNC系统中模型不确定性下的非线性状态估计问题，提出几何投影粒子滤波器，通过将动力学投影到测量一致子空间减少不匹配，在月球下降导航场景中评估，有效减少粒子退化，提高估计精度和鲁棒性。
2026-07-24 math.DS math.OC stat.CO
Objective Bayesian Analysis of a Cokriging Model for Hierarchical Multifidelity Codes
自回归协克里格模型已被广泛用于模拟具有不同保真度水平的多个计算机模型。依赖结构通过高斯过程在每个保真度水平上建模，其中协方差结构通常被参数化为几个参数。预测分布通常需要密集的蒙特卡罗近似在以前的作品。本文推导了仅依赖于相关参数的自回归协克里格模型中预测分布均值和方差的新的闭合公式。对于参数估计，我们考虑这样的自回归协克里格模型的客观贝叶斯分析。我们发现，常见的选择先验分布，如常数先验和逆相关先验，通常会导致不适当的后验。我们还开发了几个客观的先验，如独立的参考先验和独立的Jeffreys先验，产生适当的后验分布。这种发展是说明与钻孔功能在一个八维输入空间，并应用到一个工程应用中的六维输入空间。
2020-11-02 math.ST stat.CO stat.TH
Particle filtering methods for partially observed branching processes
Universidad de Extremadura（埃斯特雷马杜拉大学）
本文研究了部分观测分支过程的参数估计问题，提出基于序列蒙特卡洛方法的计算工具进行贝叶斯推断，并应用Liu-West粒子滤波器对流行病模型进行参数估计。
2026-05-20 math.PR stat.CO
A practical example for the non-linear Bayesian filtering of model parameters
Technische Universität München（慕尼黑工业大学）
本文通过实际数据示例，介绍了非线性贝叶斯滤波在时间依赖模型中静态参数估计的方法，重点讨论了粒子滤波中的序列重要性采样和序列蒙特卡洛方法，并提供了Python实现。
2019-02-22 cs.NA math.NA stat.CO
Compressed Monte Carlo with application in particle filtering
贝叶斯模型在过去几年中在诸如信号处理、统计学和机器学习等若干领域中变得非常流行。贝叶斯推断需要对涉及后验分布的复杂积分进行近似。为此，经常采用蒙特卡罗（MC）方法，例如马尔可夫链蒙特卡罗和重要性抽样算法。在这项工作中，我们介绍的理论和实践的压缩MC（C-MC）计划压缩的统计信息包含在一组随机样本。在其基本版本中，C-MC与分层技术严格相关，分层技术是一种用于减少方差的众所周知的方法。确定性的C-MC方案，提供了非常好的性能。压缩问题与应用于不同滤波技术的矩匹配方法严格相关，通常称为高斯求积规则或西格玛点方法。C-MC可以在分布式贝叶斯推断框架中使用，当需要与中央处理器进行廉价且快速的通信时。此外，C-MC是有用的粒子滤波和自适应IS算法，如在这项工作中介绍的三个新的计划。六个数值结果证实了所介绍的计划的好处，优于相应的基准方法。还提供了相关代码。
2021-07-18 cs.CE stat.CO stat.ML
Implicit Maximum a Posteriori Filtering via Adaptive Optimization
Princeton University（普林斯顿大学）
该论文将贝叶斯滤波重新表述为时变优化问题，通过自适应优化隐式定义滤波器，在线性高斯情形下与卡尔曼滤波等价，并在非线性高维系统中展现出有效性和可扩展性。
2023-11-17 cs.LG cs.SY eess.SY
Online data processing: comparison of Bayesian regularized particle filters
本文的目的是比较三个正则化粒子滤波器在在线数据处理方面。我们进行了比较的隐藏状态过滤和参数估计，考虑贝叶斯范式和单变量随机波动模型。我们讨论了使用不适当的先验分布在初始化的过滤过程中，并表明，正则化辅助粒子滤波器（APF）优于正则化顺序重要性采样（SIS）和正则化采样重要性恢复（SIR）。
2008-06-26 math.ST stat.TH
Outlier-robust Kalman Filtering through Generalised Bayes
School of Mathematical Sciences, Queen Mary University（伦敦玛丽大学数学科学学院）；Oxford-Man Institute of Quantitative Finance, University of Oxford（牛津大学牛津-曼量化金融研究所）；Department of Statistical Science, University College London（伦敦大学学院统计科学系）；Department of Mathematics and Statistics, Memorial University of Newfoundland（纽芬兰纪念大学数学与统计系）；Mathematical Institute, University of Oxford（牛津大学数学研究所）；Institute for Cognitive Science, University of Colorado Boulder（科罗拉多大学博尔德分校认知科学研究所）；Google DeepMind（谷歌DeepMind）
提出一种结合广义贝叶斯与扩展/集成卡尔曼滤波的闭式鲁棒更新规则，在低计算成本下优于变分贝叶斯等鲁棒滤波方法，适用于异常值场景下的目标跟踪、混沌系统状态估计和神经网络在线学习。
2024-05-28 cs.LG cs.SY eess.SY
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
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
Robust Particle Filtering via Bayesian Nonparametric Outlier Modeling
本文研究了一个非线性动态系统的在线估计问题。重点是异常值存在于正常噪声之间的情况。我们假设异常值遵循一个未知的产生机制，偏离正常的噪音，然后使用贝叶斯非参数模型称为狄利克雷过程混合（Dirichlet process mixture，简称EMM）的模型。一个顺序的粒子为基础的算法推导出后验推断的离群模型，以及系统的状态估计。由此产生的算法被称为基于鲁棒PF（DPM-RPF）。非参数特征使该算法允许数据“自己说话”，以确定离群值模型的复杂性和结构。仿真结果表明，它的性能显着优于两个国家的最先进的方法，特别是当离群值出现频繁沿时间。
2019-05-11 stat.CO
Infinite-dimensional Bayesian filtering for detection of quasi-periodic phenomena in spatio-temporal data
本文介绍了一种时空共振器模型和一种用于检测和估计时空数据中的近周期时间现象的推理方法。该模型是作为一个空间扩展的随机谐波谐振器模型，它可以制定在随机微分方程（ESTA）。空间结构包括通过引入线性算子，影响的振荡和阻尼，并通过选择适当的空间协方差结构的驱动时间白噪声过程。通过选择线性算子作为偏微分算子，谐振器模型变成了一个随机偏微分方程（SPDE），它与无限维卡尔曼滤波兼容。由此产生的无限维卡尔曼滤波问题允许计算有效的解决方案，因为计算成本与时间维度中的测量值成线性比例。这个框架适用于天气预测和生理噪声消除功能磁共振成像大脑数据。
2013-09-03 stat.CO
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
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
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
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
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
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
Nudging state-space models for Bayesian filtering under misspecified dynamics
该研究提出将微调（Nudging）技术应用于动力学误设下的贝叶斯滤波，证明其可隐式定义具有更高边缘似然的状态空间模型，并通过数值实验验证了该方法的鲁棒性。
2025-05-20 math.PR 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
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
Supporting Bayesian modelling workflows with iterative filtering for multiverse analysis
本文提出用于多宇宙分析的迭代筛选方法，将贝叶斯建模工作流与多宇宙分析结合，通过评估预测能力和处理计算问题，从大量候选模型中高效筛选出更少且质量更高的模型，并用真实数据示例验证其有效性。
2024-04-02 stat.CO stat.ME
Generative Bayesian Filtering and Parameter Learning
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
Coupling-Informed Transport Maps for Bayesian Filtering in Nonlinear Dynamical Systems
School of Mathematical Sciences, Tongji University（同济大学数学科学学院）；Key Laboratory of Intelligent Computing and Applications (Ministry of Education), Tongji University（智能计算与应用重点实验室（教育部））
本文提出基于状态与观测变量耦合的无似然传输滤波方法，通过块三角结构将滤波分析步骤改写为最大均值差（MMD）最小化问题，并引入训练自由传输滤波方法以避免MMD优化的非凸性，从而准确逼近非高斯滤波后验并避免粒子崩溃。
2026-05-13 cs.LG stat.CO 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
A convergent scheme for the Bayesian filtering problem based on the Fokker--Planck equation and deep splitting
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Saab AB（萨博集团）
本文提出了一种近似非线性滤波密度的数值方案，并在理论和数值例子中建立了其收敛速率。通过深度分裂方案近似福克-平面方程，结合贝叶斯公式进行精确更新，实现在线滤波算法。采用基于采样的费曼-卡茨方法以缓解维度灾难。
2026-04-19 cs.NA math.NA math.PR
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
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
Sequential discretisation schemes for a class of stochastic differential equations and their application to Bayesian filtering
针对一类随机微分方程，提出弱收敛阶1.0的序贯预测-校正离散化方案，适用于高维模型，可降低计算成本，且用于贝叶斯滤波时性能更优。
2024-01-31 cs.NA math.NA math.PR
Temporal Parallelization of Bayesian Smoothers
本文提出了贝叶斯平滑的时间并行化算法。我们定义的元素和运营商提出这些问题的解决方案，所有前缀和操作，有效的并行扫描算法。我们提出了一般贝叶斯滤波和平滑方程的时间并行化，并将其专门用于线性/高斯模型。所提出的算法的优点是，它们降低了标准平滑算法的线性复杂度相对于时间对数。
2020-02-20 cs.DC math.DS stat.CO
