Revisiting semi-supervised training objectives for differentiable particle filters

不同iable的粒子滤波器结合了神经网络的灵活性和顺序蒙特卡罗方法的概率性。然而，传统方法依赖于标记数据的可用性，即地面真实潜在状态信息，这在现实世界的应用中通常很难获得。本文比较了两种半监督训练目标对不同iable的粒子滤波器的有效性。我们在两个标记数据稀缺的模拟环境中呈现结果。

本论文旨在比较两种半监督训练目标对可微粒子滤波器的有效性，以解决在实际应用中标记数据不足的问题。

本论文提出了一种半监督训练策略，利用未标记的数据来训练可微粒子滤波器，从而提高模型的性能。

论文在两个模拟环境中进行了实验，证明了所提出的半监督训练策略的有效性。论文提供了开源代码和数据集，方便其他研究者进行复现和进一步研究。

在相关研究中，有一些研究也关注于如何利用未标记的数据来提高模型性能，如《Unsupervised Learning for Physical Interaction through Video Prediction》和《Unsupervised Learning of Object Keypoints for Perception and Control》。