Запись доказательств метода

Robust Sequential Monte Carlo

Robust Sequential Monte Carlo (Robust SMC) extends standard particle filtering to handle outliers, heavy-tailed noise, and model misspecification in sequential data. By replacing Gaussian likelihood assumptions with heavier-tailed distributions or employing outlier-detection strategies during particle weighting, it maintains accurate state-tracking and parameter estimation even when observations deviate from the assumed model.

Sources recorded, not reviewed

Исходная запись

Цитирование скопировано дословно из исходной записи метода. На его основании не делается никаких выводов о проверке на уровне утверждения.

Robust Sequential Monte Carlo Methods

Таксономическая запись метода · bayesian / bayesian

Ristic, B., Arulampalam, S., & Gordon, N. (2004). Beyond the Kalman Filter: Particle Filters for Tracking Applications. Artech House. · ISBN 978-1580536318
Akyildiz, O. D., & Miguez, J. (2020). Nudging the particle filter. Statistics and Computing, 30(2), 315-336. · DOI 10.1007/s11222-019-09884-y

Открыть полный метод

Курируемые утверждения

Утверждения сохранены в реестре доказательств, каждое со своей оценкой.

Курируемых утверждений еще нет

Этот вид не создает оценку утверждения, если в реестре ее нет.

Связанные методы

Сгенерировано из графа методов и показано как предложенные машиной связи — никаких выводов об утверждениях доказательств не делается.

Same method familyHamiltonian Monte Carlomachine-suggested · Relational suggestion, not evidence.Taxonomic bucketKalman Filtermachine-suggested · Relational suggestion, not evidence.Same method familyParticle Filtermachine-suggested · Relational suggestion, not evidence.Taxonomic bucketRobust Bayesian Inferencemachine-suggested · Relational suggestion, not evidence.Taxonomic bucketRobust Kalman Filtermachine-suggested · Relational suggestion, not evidence.Taxonomic bucketSequential Monte Carlomachine-suggested · Relational suggestion, not evidence.