多様な後見モードの長距離追跡のための微分可能で安定な手法
粒子フィルタは重み付き粒子のコレクションを使って多様な後見モードを非パラメトリックに柔軟に表現できるが、従来は既知の動力学モデルと観測尤度を前提としていた。本研究では、深層ニューラルネットワークエンコーダを使って任意の観測に対する潜在オブジェクト状態の不確定性を識別的に学習する粒子ベースの表現を提案する。既存の識別的粒子フィルタは離散的な粒子リサンプリングの発見的緩和や勾配打ち切りによる偏った学習を使っていたが、本手法は連続的な混合密度表現を使うことで偏りのない低分散の勾配推定を実現する。理論と実験により、既存の再パラメータ化ベースの混合密度勾配推定器には深刻な問題があることを明らかにし、重要度サンプリングベースの勾配推定器で対処する。標準的な再帰ニューラルネットワークとは異なり、提案手法は多様な不確定性を連続潜在状態で表現し、精度と頑健性を向上させる。