Los autores introducen la asimilación implícita de datos, definiendo la ley de análisis como una inclinación energética de la distribución de pronóstico para manejar mecanismos de observación que son muchos-a-uno, implícitos o no suaves. Proponen el Filtro de flujo controlado por conjunto (EnCF), que realiza esta actualización a través de un flujo controlado estocástico y aprende el control dependiente de las observaciones mediante coincidencia adjunta desde gradientes de energía terminal.
- EnCF-LF aprende una energía condicional sustituta a partir de muestras para observaciones definidas por simulador.
- El artículo demuestra exactitud ideal, deriva una descomposición de error de un paso y establece la no acumulación de errores locales bajo estabilidad del filtro.
- Los resultados numéricos indican que, aunque los filtros tipo Kalman siguen siendo preferibles para observaciones gaussianas aditivas suaves, EnCF es más adecuado para modelos de observación no gaussianos, muchos-a-uno, multimodales e implícitos.
Este enfoque proporciona una alternativa viable para escenarios de asimilación de datos donde los filtros de conjunto existentes fallan debido a la falta de estructuras residuales o guía de verosimilitud.