動的システムの状態推定において、従来のカルマンフィルタなどの手法は線形ガウスモデルに依存してきました。しかし、高次元センサ信号における非線形で異種なパターンを扱うには限界があります。本研究では、生成ベイズフィルタリング（GBF）という新しいフレームワークを提案します。
GBFの主要なアイデアは、制限的な観測モデルを事前学習された条件付き生成モデル（条件付き変分オートエンコーダ、CVAE）で置き換えることです。オフラインでCVAEを学習し、オンライン推論ではベイズ予測更新再帰を実行します。ここで、測定更新は動的事前分布とCVAE尤度を組み合わせた事後サンプリング問題として定式化され、さらにスコアベースのサンプリング問題に変換されます。これにより、生成モデルの柔軟性とアンサンブルによる不確実性定量化の利点を自然に継承します。
実験では、合成データセットに加え、製造システム監視と不整脈診断という二つの実世界応用で性能を評価しました。製造システムではセンサデータが複数の操作モード間を遷移し、不整脈診断では心電図信号に複雑な非線形パターンが現れます。結果は、拡張カルマンフィルタや粒子フィルタなどのベースライン手法と比較して、GBFが状態推定の精度とロバスト性を大幅に向上させることを示しました。また、不確実性の定量化においても優れた性能を発揮しました。
GBFは、従来のフィルタリング手法と現代の生成モデルを橋渡しする重要な一歩であり、複雑な動的システムにおける状態推定に新たな道を開くものです。今後の展望として、他の生成モデルアーキテクチャやオンライン学習への拡張が考えられます。