在動態系統分析與估計領域，傳統的濾波方法如卡爾曼濾波器長期依賴於線性高斯觀測模型。然而，隨著感測器技術的進步，高維訊號呈現出越來越強的非線性和異質性，這些簡單模型已無法勝任。為了解決這一瓶頸，研究者提出了生成式貝葉斯濾波（GBF）框架。
GBF的核心創新在於用預訓練的條件生成模型——具體而言是條件變分自編碼器（CVAE）——來替代傳統的、限制性的觀測模型。在離線階段，CVAE透過大量觀測資料學習複雜的條件分佈；線上推理階段，GBF執行貝葉斯預測-更新遞迴，其中測量更新被形式化為一個後驗取樣問題，巧妙地將動態先驗與CVAE誘導的似然相結合。進一步地，整個濾波問題被轉化為基於分數的取樣問題，從而自然繼承了生成模型的靈活性以及整合方法在處理不確定性方面的優勢。該轉化使得模型能夠在不依賴顯式似然函式的情況下進行高效推理。
實驗部分，論文在合成資料集和兩個真實應用場景——製造系統監測和心律失常診斷——中驗證了GBF的效能。在製造系統中，感測器資料往往包含多種操作模式間的切換；而在心律失常診斷中，心電圖訊號表現出複雜的非線性模式。結果表明，相比包括擴充套件卡爾曼濾波器、粒子濾波器在內的各類基線方法，GBF均顯著提升了狀態估計的準確性和魯棒性。此外，GBF還提供了良好的不確定性量化，這對於安全關鍵應用尤為關鍵。
總結而言，GBF框架有效地彌合了傳統濾波方法與現代生成模型之間的鴻溝，為複雜動態系統中的狀態估計開闢了新的途徑。未來工作可進一步探索其他生成模型架構以及線上學習策略。