20260625:很多新内容

reviews/nano-filter-20260622.md

@@ -0,0 +1,40 @@
+---
+title: "NANO Filter Review"
+created: 2026-06-22
+type: review
+paper: nano-filter
+---
+
+# NANO Filter — 自然梯度高斯近似滤波
+
+📌 基本信息
+- 论文: Nonlinear Bayesian Filtering with Natural Gradient Gaussian Approximation
+- 作者: Wenhan Cao, Tianyi Zhang, Zeju Sun, Chang Liu, Stephen S.-T. Yau, Shengbo Eben Li（清华/北大/BIMSA）
+- arXiv: 2410.15832 (eess.SY), v4 (2026-03)
+- 添加时间: 2026-06-22
+
+🎯 核心概念
+1. **NANO filter** — 在 Gaussian 流形上用自然梯度下降直接优化更新代价，替代传统线性化+KF 的使能框架
+2. **优化视角 Bayesian 滤波** — 将预测步和更新步重构为两个独立变分问题，利用 Stein 引理解析驻点条件
+3. **自然梯度在 Gaussian 流形上** — 利用 Fisher 信息矩阵的解析逆校正梯度方向，补偿参数空间曲率
+4. **Gibbs 后验鲁棒扩展** — 用 Pseudo-Huber 损失/加权似然替代标准似然，处理模型误设和离群值
+5. **收敛性与误差界** — 局部收敛证明 + 近线性条件下误差指数有界（超鞅构造）
+
+🔗 概念网络
+- 核心连接: NANO ↔ [[natural-gradient-descent|自然梯度]] ↔ [[gaussian-manifold|高斯流形]] ↔ [[bayesian-filtering|贝叶斯滤波]]
+- 方法对比链: KF → EKF → UKF/PLF → NANO（线性化框架 → 直接优化框架）
+- 理论基础链: [[stein-lemma|Stein 引理]] → 驻点解析解 → 自然梯度迭代
+- 鲁棒扩展链: [[gibbs-posterior|Gibbs 后验]] → [[pseudo-huber-loss|Pseudo-Huber 损失]] → 鲁棒 NANO
+
+📚 Wiki 集成
+- 新增页面: 12 个（1 论文 + 11 概念）
+- 伞概念新建: 6 个（bayesian-filtering, kalman-filter, natural-gradient-descent, gaussian-filtering, stein-lemma, gibbs-posterior）
+- 论文专属概念: 4 个（gaussian-manifold, moment-matching-filter, pseudo-huber-loss, posterior-linearization-filter）
+- 论文主页面: nano-filter
+- 链接密度: 论文页 8 个 wikilink，概念页间密集交叉引用
+
+💡 关键洞察
+1. **跳出线性化框架** — NANO 的根本贡献不是又一个"更好的线性化"，而是完全重构了 Gaussian 滤波的范式：从「先近似模型再计算后验」变为「直接在高斯流形上优化后验」。这在方法论上是质的飞跃，类比于从间接推断到直接优化的转变。
+2. **线性 Gaussian 系统的优雅退化** — NANO 在线性系统中一次迭代即收敛到精确 KF 解，且与初始化无关。这种"向下兼容"的性质是其数学结构正确的有力印证，也为工程部署提供了安全网：在最坏情况下不差于 KF。
+
+实验亮点：相对于 EKF/UKF/IEKF/PLF，平均 RMSE 降 45%，计算负担可比。