Core Concepts
Effiziente Inferenz in Zustandsraummodellen durch strukturierte Variationsapproximation
Abstract
Das Paper stellt eine strukturierte Variationsapproximation für Zustandsraummodelle vor, die eine effiziente Inferenz ermöglicht. Es kombiniert die Prior-Dynamik mit niedrig-rangigen Datenaktualisierungen, um Gaußverteilungen mit dichten Kovarianzmatrizen zu parametrisieren. Die Approximation des Glättungsproblems als Filterungsproblem für Pseudo-Beobachtungen ermöglicht eine effiziente Berechnung des ELBO. Die Methode wird anhand von neurologischen Datensätzen demonstriert.
Einleitung
Zustandsraummodelle erfassen die zeitliche Struktur natürlicher Phänomene durch ihre Dynamik.
Variational Autoencoder (VAE) ermöglicht das gemeinsame Lernen der Zustandsraumbeschreibung und eines Inferenznetzwerks.
Hintergrund
Zustandsraummodelle sind probabilistische grafische Modelle, die Beobachtungen gegeben einem latenten Zustand modellieren.
Variational Inference ermöglicht die Berechnung von Statistiken des geglätteten Posteriors.
Methodik
Strukturierte Variationsapproximation für generative Modelle mit nichtlinearer Dynamik und Gaußschem Rauschen.
Inferenzalgorithmus skaliert in O(TL(Sr + S2 + r2)).
Experimente
Demonstration an neurologischen Datensätzen zur Erfassung neuronaler Populationsdynamik.
Echtzeitfähiges Inferenznetzwerk für Vorhersageverhalten in verschiedenen Regimen.
Stats
Die notwendigen Statistiken und ELBO können in O(TL(Sr + S2 + r2)) berechnet werden.
Quotes
"Die strukturierte Variationsapproximation ermöglicht eine effiziente Inferenz in Zustandsraummodellen."