Badacze opracowali Generative Bayesian Filtering - nową metodę do śledzenia stanu systemów dynamicznych, która łączy klasyczną teorię bayesowską z nowoczesnymi modelami generacyjnymi. Propozycja rozwiązuje ograniczenia tradycyjnych podejść takich jak filtry Kalmana, które zakładają proste, liniowo-gaussowskie modele obserwacji i nie radzą sobie z nielinowymi lub złożonymi wzorcami w rzeczywistych danych sensorowych.
Rdzeniem GBF jest zastąpienie ograniczających modeli obserwacji wytrenowanymi modelami generacyjnymi parametryzowanymi warunkową wariacyjną autokoderem (CVAE). Podczas wnioskowania na bieżąco algorytm wykonuje rekursję bayesowską predykcji-aktualizacji, gdzie aktualizacja pomiaru formułowana jest jako problem samplingowania z rozkładu a posteriori. Łączy to wcześniejszą wiedzę o dynamice systemu z prawdopodobieństwem generowanym przez CVAE, a problem jest następnie transformowany w problem samplingowania oparty na gradiencie modelów (score-based sampling). To podejście naturalnie dziedziczy elastyczność modelów generacyjnych wraz ze zdolnością do kwantyfikacji niepewności przez ensembling.
Eksperymentalne wyniki na syntetycznych zbiorach danych oraz rzeczywistych aplikacjach - monitoringu systemów produkcyjnych i diagnostyce arytmii - wykazały, że GBF osiąga wyższą dokładność estymacji stanu i większą odporność w porównaniu z metodami bazowymi. Praca jest istotna dla dziedzin wymagających niezawodnego śledzenia stanu złożonych systemów w warunkach, gdzie tradycyjne podejścia zawodzą.