揭示了集合卡尔曼滤波与高斯过程采样的内在联系，为数据同化提供新视角。
The Ensemble Kalman Update is an Empirical Matheron Update
- 将集合卡尔曼更新视为马瑟龙更新的实证版本，打通了两大数据方法的桥梁。
- 证明了在高维系统中，两种方法在数学上等价，理论基础更统一。
- 适合对数据同化、高斯过程或机器学习中的贝叶斯推断感兴趣的研究者。
集合卡尔曼滤波（EnKF）是高维系统中广泛使用的一种数据同化方法，其集合更新步骤等价于高斯过程回归中流行的马瑟龙更新的一个经验版本——这一联系将半个世纪的数据同化工程与现代路径级高斯过程采样相连接。本文提供了这一简洁但被低估的联系的简明介绍，包含所有相关领域的必要定义，易于理解。源代码已公开于 https://github.com/danmackinlay/paper_matheron_equals_enkf。
原文摘要 · Abstract (English)
The Ensemble Kalman Filter (EnKF) is a widely used method for data assimilation in high-dimensional systems, with an ensemble update step equivalent to an empirical version of the Matheron update popular in Gaussian process regression -- a connection that links half a century of data-assimilation engineering to modern path-wise GP sampling. This paper provides a compact introduction to this simple but under-exploited connection, with necessary definitions accessible to all fields involved. Source code is available at https://github.com/danmackinlay/paper_matheron_equals_enkf .
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。