高次元非線形フィルタリング問題に対する効率的な条件付きスコアベースフィルタ
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19816v1 発表種別：新規
概要：多くの工学および応用科学分野において、高次元非線形フィルタリングは依然として困難な課題です。最近のスコアベース拡散モデルの進歩は、事後サンプリングのための有望な代替手段を提供しますが、変化する事前分布を追跡するために繰り返し再学習が必要であり、高次元では非現実的です。本研究では、セットトランスフォーマーエンコーダと条件付き拡散モデルを利用して、再学習なしに効率的で正確な事後サンプリングを実現する、Conditional Score-based Filter (CSF)という新規アルゴリズムを提案します。事前分布のモデリングと事後サンプリングをオフラインとオンラインの段階に分離することにより、CSFは多様な非線形システムにわたるスケーラブルなスコアベースフィルタリングを実現します。ベンチマーク問題に関する広範な実験により、CSFは様々な非線形フィルタリングシナリオにおいて、優れた精度、堅牢性、効率性を達成することが示されました。
原文（英語）を表示
Title (EN): An Efficient Conditional Score-based Filter for High Dimensional Nonlinear Filtering Problems
arXiv:2509.19816v1 Announce Type: new
Abstract: In many engineering and applied science domains, high-dimensional nonlinear filtering is still a challenging problem. Recent advances in score-based diffusion models offer a promising alternative for posterior sampling but require repeated retraining to track evolving priors, which is impractical in high dimensions. In this work, we propose the Conditional Score-based Filter (CSF), a novel algorithm that leverages a set-transformer encoder and a conditional diffusion model to achieve efficient and accurate posterior sampling without retraining. By decoupling prior modeling and posterior sampling into offline and online stages, CSF enables scalable score-based filtering across diverse nonlinear systems. Extensive experiments on benchmark problems show that CSF achieves superior accuracy, robustness, and efficiency across diverse nonlinear filtering scenarios.
Published: 2025-09-24 19:00 UTC