Rauch--Tung--Striebel
PulseAugur coverage of Rauch--Tung--Striebel — every cluster mentioning Rauch--Tung--Striebel across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新模型解决时间序列预测中信息缺失数据的问题
研究人员开发了一种新的统计模型 MNAR-LDS，用于处理时间序列中的缺失数据，特别是在交通预测系统中。该模型考虑了数据丢失并非随机而是取决于未观察到的条件所导致的“信息黑洞”。通过使用扩展卡尔曼滤波器和 Rauch-Tung-Striebel 平滑进行推断，MNAR-LDS 在西雅图交通数据上的插补精度优于标准的 MAR-LDS 模型。在掩码插补任务中，该模型在精度和计算成本之间取得了有利的权衡，并且在与大型神经网络架构的竞争中也表现出色。
-
MotionSync系统通过标签高效跟踪增强自动驾驶3D感知能力
研究人员开发了MotionSync，一个旨在提高自动驾驶3D感知效率和准确性的新系统。该系统将因果跟踪与非因果优化分离，允许单一架构同时满足在线和离线标注需求。MotionSync采用一个经过不确定性校准的因果跟踪器和一个进行平滑和填补空缺的非因果优化器，显著提高了伪标签质量。在Waymo数据集上用于自动标注时，MotionSync仅使用25%的人工标签就达到了全监督mAP的96.9%，证明了其在降低标注成本方面的有效性。
-
新的Bryson-Frazier平滑器增强了高斯过程回归的稳定性
研究人员为时间高斯过程回归开发了一种改进的Bryson-Frazier（MBF）平滑器。该方法通过避免有问题的协方差矩阵求逆，提供了比Rauch-Tung-Striebel（RTS）平滑器更数值稳定的替代方案。MBF平滑器还降低了计算成本和内存需求，同时实现了高效的核超参数学习。
-
新的混合框架使用神经网络学习物理 ODE
研究人员开发了一种新颖的混合框架，该框架将神经网络与基于物理的常微分方程 (ODE) 相结合来建模动态系统。当某些 ODE 组件未知且仅可测量状态变量的子集时，此方法特别有用。该方法在通过 Rauch--Tung--Striebel (RTS) 平滑器估计潜在状态与然后使用这些平滑轨迹通过反向传播训练神经网络参数之间进行交替。在基准系统上的评估表明，该框架能够从不完整的数据中学习缺失的 ODE 组件，同时还能改进潜在状态重建和长时预测。