Статистика > Машинное обучение [представлено 8 октября 2026 года] Название: Дифференцируемая систематичная репродукция для переменного последовательности Monte Carlo View PDF HTML (экспериментальный) Резюме: Фильтры частиц являются стандартным инструментом оценки нелинейного состояния, но их перевыбор является дискретным, что препятствует градиентному обучению в изменчивой последовательной Монте Карло. Мы внедряем дифференцируемый системный отбор проб (DSR) — регулируемое температурным режимом релаксация систематического повторного отбора, которая сохраняет заданную по команде CDF бинтированную структуру систематического переотбора и обеспечивает полный поток градиента. DSR сходится в точном систематическом переотборе по мере исчезновения температуры, и мы доказываем точечную экспоненциальность конвергенции для искусственного отклонения. По сравнению с оптимальным видом перепроверки, основанной на использовании транспортных средств, ДСР избегает итеративных решений и имеет значительно более низкие расчетные накладные расходы. Эксперименты, связанные со стохастическими динамическими системами и данными почерка в реальном мире, показывают, что DSR достигает сопоставимых или высоких показателей фильтрации и изучения динамики. Текущий контекст просмотра: stat.ML ссылки и цитаты Загрузка... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations…
Дифференцируемое систематическое восстановление выборки для различных последовательности Монте-Карло
arXiv: 2610.10.2094v1 Annualce Type: New Humber Abstract: Pinter filities — стандартный инструмент оценки нелинейного состояния, но их перевыборка является дискретной, что препятствует обучению на основе градиента в изменяющейся последовательной Монте Карло. Мы внедряем дифференцируемый системный отбор проб (DSR) — регулируемое температурным режимом релаксация систематического повторного отбора, которая сохраняет заданную по команде CDF бинтированную структуру систематического переотбора и обеспечивает полный поток градиента. DSR сходится в точном систематическом переотборе по мере исчезновения температуры, и мы доказываем точечную экспоненциальность конвергенции для искусственного отклонения. По сравнению с оптимальным видом перепроверки, основанной на использовании транспортных средств, ДСР избегает итеративных решений и имеет значительно более низкие расчетные накладные расходы. Эксперименты, связанные со стохастическими динамическими системами и данными почерка в реальном мире, показывают, что DSR достигает сопоставимых или высоких показателей фильтрации и изучения динамики.