Graph Kalman Filters

要約

よく知られているカルマン フィルターは、新しく観測されたシステム出力に関連付けられた新しい情報によって次の状態が更新され、その不確実性が制御される状態空間表現に依存することにより、動的システムをモデル化します。
この論文では、文献で初めて、カルマン フィルターと拡張カルマン フィルターを、入力、状態、出力がトポロジーと属性が時間とともに変化する属性付きグラフとして表現される離散時間設定に一般化しました。
このセットアップにより、出力がベクトルまたはスカラーである場合 (ノード/グラフ レベルのタスク) にもフレームワークを適応させることができます。
提案された理論的枠組みの中で、未知の状態遷移と読み出し関数は、下流の予測タスクとともにエンドツーエンドで学習されます。

要約(オリジナル)

The well-known Kalman filters model dynamical systems by relying on state-space representations with the next state updated, and its uncertainty controlled, by fresh information associated with newly observed system outputs. This paper generalizes, for the first time in the literature, Kalman and extended Kalman filters to discrete-time settings where inputs, states, and outputs are represented as attributed graphs whose topology and attributes can change with time. The setup allows us to adapt the framework to cases where the output is a vector or a scalar too (node/graph level tasks). Within the proposed theoretical framework, the unknown state-transition and the readout functions are learned end-to-end along with the downstream prediction task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google