DNS: 複雑なモデルフリープロセスのためのデータ駆動型非線形平滑化器

arXiv:2602.08560v1 Announce Type: cross\n要旨： 我々は、ノイズ混在した線形観測シーケンスから、複雑な動的プロセスの隠れた状態シーケンスを推定するために、データ駆動型非線形平滑化器（DNS）を提案します。この動的プロセスはモデルフリーであり、複雑なプロセスの非線形ダイナミクスに関する知識は持っていません。プロセスの状態遷移モデル（STM）が存在しません。提案された DNS は、状態シーケンスの事後分布を観測シーケンスに与与する闭合形式の解を提供するために役立ちます。DNS は無教師学習で学習し、トレーニングデータセットには観測データのみが含まれており、状態データは含まれていません。我々は、ベンチマークのローレンツ系を含む複数の確定的動的プロセスの平滑化をシミュレーションを使って DNS を示しました。実験結果は、DNS が深層カルマン平滑化器（DKS）および反復的なデータ駆動型非線形状態推定（iDANSE）平滑化器に比べて著しく優れていることを示しています。

arXiv:2602.08560v1 Announce Type: cross Abstract: We propose data-driven nonlinear smoother (DNS) to estimate a hidden state sequence of a complex dynamical process from a noisy, linear measurement sequence. The dynamical process is model-free, that is, we do not have any knowledge of the nonlinear dynamics of the complex process. There is no state-transition model (STM) of the process available. The proposed DNS uses a recurrent architecture that helps to provide a closed-form posterior of the hidden state sequence given the measurement sequence. DNS learns in an unsupervised manner, meaning the training dataset consists of only measurement data and no state data. We demonstrate DNS using simulations for smoothing of several stochastic dynamical processes, including a benchmark Lorenz system. Experimental results show that the DNS is significantly better than a deep Kalman smoother (DKS) and an iterative data-driven nonlinear state estimation (iDANSE) smoother.