Dynamic Bayesian knowledge transfer between a pair of Kalman filters

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F18%3A00499667" target="_blank" >RIV/67985556:_____/18:00499667 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/MLSP.2018.8517020" target="_blank" >http://dx.doi.org/10.1109/MLSP.2018.8517020</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/MLSP.2018.8517020" target="_blank" >10.1109/MLSP.2018.8517020</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Dynamic Bayesian knowledge transfer between a pair of Kalman filters

Popis výsledku v původním jazyce

Transfer learning is a framework that includes---among other topics---the design of knowledge transfer mechanisms between Bayesian filters. Transfer learning strategies in this context typically rely on a complete stochastic dependence structure being specified between the participating learning procedures (filters). This paper proposes a method that does not require such a restrictive assumption. The solution in this incomplete modelling case is based on the fully probabilistic design of an unknown probability distribution which conditions on knowledge in the form of an externally supplied distribution. We are specifically interested in the situation where the external distribution accumulates knowledge dynamically via Kalman filtering. Simulations illustrate that the proposed algorithm outperforms alternative methods for transferring this dynamic knowledge from the external Kalman filter.

Název v anglickém jazyce

Dynamic Bayesian knowledge transfer between a pair of Kalman filters

Popis výsledku anglicky

Transfer learning is a framework that includes---among other topics---the design of knowledge transfer mechanisms between Bayesian filters. Transfer learning strategies in this context typically rely on a complete stochastic dependence structure being specified between the participating learning procedures (filters). This paper proposes a method that does not require such a restrictive assumption. The solution in this incomplete modelling case is based on the fully probabilistic design of an unknown probability distribution which conditions on knowledge in the form of an externally supplied distribution. We are specifically interested in the situation where the external distribution accumulates knowledge dynamically via Kalman filtering. Simulations illustrate that the proposed algorithm outperforms alternative methods for transferring this dynamic knowledge from the external Kalman filter.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10103 - Statistics and probability

Projekt

<a href="/cs/project/GA18-15970S" target="_blank" >GA18-15970S: Optimální zpracování externí stochastické znalosti vyjádřené pomocí pravděpodobnostních distribucí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

PROCEEDINGS OF MLSP 2018 : IEEE 28th International Workshop on Machine Learning for Signal Processing

ISBN

978-1-5386-5478-1

ISSN

1551-2541

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Aalborg

Datum konání akce

17. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000450651000042