注意:kalman-jax现在已过时。 现在可以在获得此代码的显着改进版本。 卡尔曼·贾克斯 使用迭代卡尔曼滤波和平滑的马尔可夫(即时间)高斯过程的近似推断。 由开发和维护。 伯努利的可能性是由保罗·张( Paul Chang )实现的。 我们位于芬兰阿尔托大学的的机器学习小组。 该项目旨在通过使用autodiff实现一个用于(非共轭)马尔可夫高斯过程推理的XLA JIT可编译框架。 以下论文概述了该方法: W. Wilkinson,P。Chang,M。Riis Andersen,A。Solin。 状态空间期望传播:时间高斯过程的有效推理方案。 2020年国际机器学习会议(ICML) 以下论文中提供了有关变分推断方法的更多详细信息: P. Chang,W。Wilkinson,ME Khan,A。Solin。 状态空间高斯过程模型中的快速变分学习。 2020年信号处理机器学习国际研