Os autores introduzem a assimilação implícita de dados, definindo a lei de análise como uma inclinação energética da distribuição de previsão para lidar com mecanismos de observação que são muitos-para-um, implícitos ou não suaves. Eles propõem o Filtro de Fluxo Controlado por Conjunto (EnCF), que realiza essa atualização por meio de um fluxo controlado estocástico e aprende o controle dependente das observações por correspondência adjunta a partir de gradientes de energia terminal.
- EnCF-LF aprende uma energia condicional substituta a partir de amostras para observações definidas pelo simulador.
- O artigo prova exatidão ideal, deriva uma decomposição de erro de um passo e estabelece a não acumulação de erros locais sob estabilidade do filtro.
- Resultados numéricos indicam que, embora filtros do tipo Kalman permaneçam preferíveis para observações gaussianas aditivas suaves, o EnCF é mais adequado para modelos de observação não gaussianos, muitos-para-um, multimodais e implícitos.
Esta abordagem fornece uma alternativa viável para cenários de assimilação de dados onde filtros de conjunto existentes falham devido à falta de estruturas residuais ou orientação de verossimilhança.