kalman-filtering

本文介绍了K2SVD，这是一种通过Kalman推断学习Koopman算子表示的原理性方法，以实现高效且准确的时间序列预测，展示了优于现有最先进方法的性能。

提出DiFA，一种无需训练的框架，将推理时的数据预测优化重新定义为使用卡尔曼滤波的序列状态估计，显著提升了CIFAR-10和ImageNet上的生成保真度。

本文介绍了贝叶斯滤波Transformer（BFT），它通过精度加权注意力和卡尔曼更新残差将不确定性引入Transformer，从而提升了序列推荐和有噪声大语言模型微调的性能。