Key points are not available for this paper at this time.
لقد قاد التفاضل التلقائي (AD) التقدمات الحديثة في تعلم الآلة، بما في ذلك الشبكات العصبية العميقة وطرق مونت كارلو لسلاسل ماركوف الهاميلتونية. أثبتت الأنظمة الديناميكية العشوائية غير الخطية المراقبة جزئيًا أنها مقاومة لتقنيات AD لأن خوارزميات مرشحات الجسيمات المستخدمة على نطاق واسع تقدم دالة احتمال تقديرية تكون غير متصلة كدالة للمعلمات النموذج. نحن نظهر كيف يمكن تضمين طريقتين موجودتين لمرشحات الجسيمات مع AD في إطار نظري يوفر امتدادًا لفئة جديدة من الخوارزميات. هذه الفئة الجديدة تسمح بتوازن بين التحيز/التباين ومن ثم خطأ متوسط تربيعي أقل بكثير من الخوارزميات الحالية. نقوم بتطوير خوارزميات تعظيم الاحتمالية مناسبة لخصائص مونت كارلو لتقدير تدرج أداء AD. تتطلب خوارزمياتنا فقط محاكيًا قابلًا للتفاضل للنظام الديناميكي الكامن؛ بينما تتطلب معظم الأساليب السابقة لتعميم الاحتمالية باستخدام AD لمرشحات الجسيمات الوصول إلى احتمالات انتقال النظام. تشير النتائج العددية إلى أن الخوارزمية الهجين التي تستخدم AD لتحسين حل خشن من خوارزمية تصفية متكررة تظهر تحسينات كبيرة على الأساليب الحالية الرائدة لمشكلة معيار علمية تتسم بالتحدي.
دراسة تان وآخرون (الأربعاء) هذا السؤال.