Variational Gaussian filtering via Wasserstein gradient flows

Adrien Corenflos*, Hany Abdulsamad

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

10 Lataukset (Pure)

Abstrakti

We present a novel approach to approximate Gaussian and mixture-of-Gaussians filtering. Our method relies on a variational approximation via a gradient-flow representation. The gradient flow is derived from a Kullback-Leibler discrepancy minimization on the space of probability distributions equipped with the Wasserstein metric. We outline the general method and show its competitiveness in posterior representation and parameter estimation on two state-space models for which Gaussian approximations typically fail: systems with multiplicative noise and multi-modal state distributions.

AlkuperäiskieliEnglanti
Otsikko31st European Signal Processing Conference, EUSIPCO 2023 - Proceedings
KustantajaEuropean Signal Processing Conference (EUSIPCO)
Sivut1838-1842
Sivumäärä5
ISBN (elektroninen)978-9-4645-9360-0
DOI - pysyväislinkit
TilaJulkaistu - 2023
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaEuropean Signal Processing Conference - Helsinki, Suomi
Kesto: 4 syysk. 20238 syysk. 2023
Konferenssinumero: 31
https://eusipco2023.org/

Julkaisusarja

NimiEuropean Signal Processing Conference
ISSN (painettu)2219-5491

Conference

ConferenceEuropean Signal Processing Conference
LyhennettäEUSIPCO
Maa/AlueSuomi
KaupunkiHelsinki
Ajanjakso04/09/202308/09/2023
www-osoite

Sormenjälki

Sukella tutkimusaiheisiin 'Variational Gaussian filtering via Wasserstein gradient flows'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä