Online‑Lernen von Kalman‑Filtern: Ausgabe‑ zu Zustandsabschätzung
Ein neues arXiv‑Veröffentlichung beleuchtet, wie man Kalman‑Filter in linear dynamischen Systemen mit unbekanntem Modell online lernen kann, wenn nur ein Teil der Zustände beobachtet wird. Der Ansatz vereint beide Aufga…
- Ein neues arXiv‑Veröffentlichung beleuchtet, wie man Kalman‑Filter in linear dynamischen Systemen mit unbekanntem Modell online lernen kann, wenn nur ein Teil der Zustän…
- Der Ansatz vereint beide Aufgaben – die Schätzung der Ausgabe und die Schätzung des Zustands – in einem einheitlichen Optimierungsrahmen.
- Durch die Analyse der Kostenfunktionen für den Schätzfehler, insbesondere ihrer bedingten starken Konvexität, wird gezeigt, dass das vorgeschlagene Verfahren bei der Aus…
Ein neues arXiv‑Veröffentlichung beleuchtet, wie man Kalman‑Filter in linear dynamischen Systemen mit unbekanntem Modell online lernen kann, wenn nur ein Teil der Zustände beobachtet wird. Der Ansatz vereint beide Aufgaben – die Schätzung der Ausgabe und die Schätzung des Zustands – in einem einheitlichen Optimierungsrahmen.
Durch die Analyse der Kostenfunktionen für den Schätzfehler, insbesondere ihrer bedingten starken Konvexität, wird gezeigt, dass das vorgeschlagene Verfahren bei der Ausgabeschätzung einen logarithmischen Regret‑Wert von log T erreicht, wobei T die Zeitspanne ist. Für die schwierigere Zustandsabschätzung wird zunächst ein fundamentaler Nachteil aufgezeigt: kein Algorithmus kann hier ein sublineares Regret erzielen.
Um dieses Problem zu umgehen, wird ein zufälliges Abfrage‑Schema eingeführt, das dem Lernalgorithmus begrenzten Zugriff auf besonders informative Messungen des Zustands gewährt. Damit lässt sich ein Regret von √T erreichen, wobei der Kompromiss zwischen der Anzahl der Abfragen und dem Regret klar erkennbar wird. Diese Erkenntnisse liefern neue Einblicke in Online‑Lernaufgaben mit eingeschränkten Beobachtungen.
Die Leistungsfähigkeit der Algorithmen wird durch numerische Beispiele bestätigt, die die theoretischen Ergebnisse praktisch veranschaulichen.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.