Convolution-Based Converter : A Weak-Prior Approach For Modeling Stochastic Processes Based On Conditional Density Estimation

要約

本論文では、確率過程における観測値に基づいてターゲットの確率分布を推定する際に、強いあるいは固定された事前分布を除去するための方法論を開発するために、コンボリューションベースのコンバータ（CBC）を提案する。従来のアプローチ、例えばマルコフに基づく手法やガウス過程に基づく手法は、一般に、強いあるいは固定的な事前分布（マルコフ特性やガウス事前分布など）に基づいてターゲットを推定するために観測値を活用する。しかし、これらの手法の有効性は、その事前仮定が問題の特性にどれだけ合致しているかに依存する。仮定された事前分布が満足されない場合、これらのアプローチの性能は低下するか、あるいは使えなくなることさえある。上記の制限を克服するために、我々は、強いあるいは固定的な事前分布を持たずにターゲットの条件付き確率分布を暗黙的に推定し、観測から制約を満たす確率過程の期待軌道を直接出力する、畳み込みに基づく変換器（CBC）を導入する。このアプローチにより、事前分布への依存が減少し、異なる問題に取り組む際の確率過程のモデル化における柔軟性と適応性が向上する。実験結果は、本手法が複数の指標において既存のベースラインを凌駕することを示している。

要約(オリジナル)

In this paper, a Convolution-Based Converter (CBC) is proposed to develop a methodology for removing the strong or fixed priors in estimating the probability distribution of targets based on observations in the stochastic process. Traditional approaches, e.g., Markov-based and Gaussian process-based methods, typically leverage observations to estimate targets based on strong or fixed priors (such as Markov properties or Gaussian prior). However, the effectiveness of these methods depends on how well their prior assumptions align with the characteristics of the problem. When the assumed priors are not satisfied, these approaches may perform poorly or even become unusable. To overcome the above limitation, we introduce the Convolution-Based converter (CBC), which implicitly estimates the conditional probability distribution of targets without strong or fixed priors, and directly outputs the expected trajectory of the stochastic process that satisfies the constraints from observations. This approach reduces the dependence on priors, enhancing flexibility and adaptability in modeling stochastic processes when addressing different problems. Experimental results demonstrate that our method outperforms existing baselines across multiple metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL