オンライン潜在状態推定は、人工知能分野における根本的な課題であり、逐次的意思決定、異常検知、変化点検出など、多様なアプリケーションの基盤となっています。本研究は、複数のエージェントが協調して情報を交換し、潜在状態推定を実行する新しいオンライン分散センシングフレームワークを提案しています。従来の手法では、ノイズ統計に関する完全な知識が必要でしたが、提案手法はこの制限を克服しています。 提案されたCovariance-Agnostic Neural Kalman Consensus Filter（CA-NKCF）は、部分的なドメイン知識と深層ニューラルネットワークの表現能力を組み合わせた革新的なアプローチです。このフレームワークは事前推定値、最適化された合意重みの計算、そしてカルマンフィルタに類似した再帰的更新を統合することで、ノイズ統計の知識なしに分散推論を実現します。このアーキテクチャにより、複数のエージェントが相互に通信しながら協働的に状態推定を行うことが可能になります。 広範な実験を通じて、線形システム、カオス的なロレンツ系、実際の無線追跡環境においても、CA-NKCFが従来の分散カルマンフィルタ、粒子フィルタ、および純粋なモデルフリーの深層ニューラルネットワークを上回る性能を発揮することが実証されました。特に、基礎となる動力学モデルと観測モデルが誤って指定された場合でも、堅牢性を維持しています。 さらに注目すべき点として、CA-NKCFは様々な条件下で安定した性能優位性を示しています。異なるノイズレベル、ランダムな通信トポロジー、潜在状態の次元、および散乱物体による無線システムの観測クラッタ密度の変化に対しても、安定した性能を維持することが確認されました。これにより、実世界の多様な環境下での実用性が高いことが示唆されています。