动态系统的可扩展变分推断
摘要：梯度匹配是学习常微分方程参数和状态动力学的有希望的工具。它是一种无网格推理方法，对于完全可观察的系统，在某些情况下与数值积分相比具有竞争力。然而，对于许多现实世界的应用，只有稀疏的观测数据可用，甚至在模型描述中包含未观测的变量。在这些情况下，大多数梯度匹配方法很难应用或者根本不能提供令人满意的结果。这就是为什么，尽管计算成本高，数值积分仍然是许多应用程序的黄金标准。使用现有的梯度匹配方法，我们提出了一个可扩展的变分推理框架，可以同时推断状态和参数，提供计算加速，改进准确性，并且即使在部分可观测系统中模型规范不正确的情况下也能良好工作。
作者：Nico S. Gorbach and Stefan Bauer and Joachim M. Buhmann
论文ID：1705.07079
分类：Machine Learning
分类简称：stat.ML
提交时间：2018-04-11