提出双核对偶表示与极小极大优化，提升状态空间估计精度
Dual NUP Representations and Min-Maximization in Factor Graphs
- 引入凸对偶变量与未知参数正态分布表示
- 设计前向-后向迭代算法，与已有反向-前向算法互为对偶
- 适用于状态空间模型的高效精确估计，适合系统辨识研究者
未知参数正态分布（NUP）可将复杂的基于模型的估计问题转化为线性最小二乘或高斯估计的迭代过程。本文通过在因子图中引入凸对偶变量和相应的NUP表示，扩展了该方法。特别地，在状态空间设置下，提出一种新的迭代前向-后向算法，其与近期提出的反向-前向算法互为对偶。
原文摘要 · Abstract (English)
Normals with unknown parameters (NUP) can be used to convert nontrivial model-based estimation problems into iterations of linear least-squares or Gaussian estimation problems. In this paper, we extend this approach by augmenting factor graphs with convex-dual variables and pertinent NUP representations. In particular, in a state space setting, we propose a new iterative forward-backward algorithm that is dual to a recently proposed backward-forward algorithm.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。