베이즈 충실 데이터 동화에 대한 심층 베이지안 필터

비선형 상태 공간 모델에 대한 상태 추정은 도전적인 작업입니다. 기존의 동화 방법론은 주로 물리적 공간에서 가우시안 사후 분포를 가정하지만, 실제 사후 분포는 피할 수 없이 비가우시안이 됩니다. 우리는 비선형 상태 공간 모델(SSM)에서 데이터 동화를 위한 심층 베이지안 필터링(DBF)을 제안합니다. DBF는 새로운 잠재 변수 hₜ를 새로운 잠재(``환상'') 공간에서 구성하고 관측치 oₜ을 동화합니다. (i) 환상 공간에서 상태 전이를 선형으로 제한하고 (ii) 가우시안 역 관측 연산자 q (hₜ|oₜ)를 학습함으로써 DBF에서는 사후 분포가 항상 가우시안으로 유지됩니다. 특히, 사후 분포의 구조화된 설계는 시간이 지남에 따라 몬테카를로 샘플링 오류를 누적하지 않고 사후 분포를 재귀적으로 계산할 수 있는 해석적 공식을 제공합니다. DBF는 증거 하한을 최대화하여 가우시안 역 관측 연산자 q (hₜ|oₜ) 및 기타 잠재 SSM 매개변수(예: 동역학 매트릭스)를 찾습니다. 실험 결과 DBF는 다양한 작업과 조건에서 모델 기반 접근 방식 및 잠재 동화 방법에 비해 우수한 성능을 보였습니다.