Differentiable Particle Filtering via Entropy-Regularized Optimal Transport

Adrien Corenflos, James Thornton, George Deligiannidis, Arnaud Doucet

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

Abstrakti

Particle Filtering (PF) methods are an established class of procedures for performing inference in non-linear state-space models. Resampling is a key ingredient of PF, necessary to obtain low variance likelihood and states estimates. However, traditional resampling methods result in PF-based loss functions being non-differentiable with respect to model and PF parameters. In a variational inference context, resampling also yields high variance gradient estimates of the PF-based evidence lower bound. By leveraging optimal transport ideas, we introduce a principled differentiable particle filter and provide convergence results. We demonstrate this novel method on a variety of applications.

AlkuperäiskieliEnglanti
OtsikkoProceedings of Machine Learning Research
ToimittajatM Meila, T Zhang
KustantajaJMLR
Sivumäärä12
TilaJulkaistu - 2021
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaInternational Conference on Machine Learning - Virtual, Online
Kesto: 18 heinäk. 202124 heinäk. 2021
Konferenssinumero: 38

Julkaisusarja

NimiProceedings of Machine Learning Research
Vuosikerta139
ISSN (elektroninen)2640-3498

Conference

ConferenceInternational Conference on Machine Learning
LyhennettäICML
KaupunkiVirtual, Online
Ajanjakso18/07/202124/07/2021

Sormenjälki

Sukella tutkimusaiheisiin 'Differentiable Particle Filtering via Entropy-Regularized Optimal Transport'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä