[論文レビュー] An Information Value Function for Nonparametric Gaussian Processes

Hongchuan Wei, Wenjie Lu+1 more|arXiv (Cornell University)|Jun 12, 2014

Gaussian Processes and Bayesian Inference参考文献 7被引用数 7

ひとこと要約

本論文では、非パラメトリックなガウス過程を用いた空間現象のモニタリングにおけるオンラインセンサ計画を支援するため、カルバック・ライブラー発散に基づく新しい情報価値関数を提案する。この手法は、情報量の増加を最大化するようにセンシング位置を選択し、連続的米国本土における気温モニタリングのシミュレーションで、ランダムサンプリングと比較して収束が速く、推定誤差が低いことが実証された。

ABSTRACT

This paper presents a novel information value function that can be used in online sensor planning to monitor a spatial phenomenon in which the spatial phenomenon is modeled by nonparametric Gaussian processes. The information value function is derived from the Kullback-Leibler (KL) divergence and represents the information value brought by sensor decision. The sensor decision at every time step is to select the sensing location that maximizes the information value function associated with the measurement taken. Gaussian processes (GPs) are employed to obtain the posterior distribution of the spatial phenomenon given a number of sensor measurements, because GPs have sufficient flexibilities to adopt the complexity from data. Furthermore, a greedy algorithm is designed based on the information value function. By comparing the greedy algorithm with the random algorithm, it is shown that the error decreases faster defined as the difference between the estimated posterior distribution and the true distribution of the spatial phenomenon via the greedy algorithm.

研究の動機と目的

• 空間モニタリングにおける将来のセンサ測定の情報量を定量化する情報価値関数の開発を目的とする。
• 離散化によって計算コストが高くなる連続的な空間ドメインにおけるセンサ計画の課題に対処することを目的とする。
• 推定された空間現象の不確実性を最小化するオンラインでグリーディなセンサ意思決定を可能とすることを目的とする。
• 実世界の空間モニタリングシナリオにおいて、提案手法の性能をランダムセンサ選択戦略と比較して評価することを目的とする。

提案手法

• 情報価値関数は、測定後の事前分布と事後分布のガウス過程分布間のカルバック・ライブラー発散から導出される。
• ガウス過程を用いて空間現象をモデル化し、ノイズのあるセンサ測定値からの閉形式の事後分布更新を可能にする。
• 各時刻において、利用可能なセンシング位置の集合の中で情報価値関数を最大にする位置が選択される。
• グリーディアルゴリズムがKLに基づく情報価値関数に従い、各測定後に事後信念を更新する形で順次センシング位置を選択する。
• 空間領域の離散化を回避するために、情報価値関数を連続的な空間点上で直接評価する。
• ノイズのある観測値を用いた標準的なGP回帰式に従い、事後平均と共分散を再帰的に更新する。

実験結果

リサーチクエスチョン

• RQ1 空間領域が連続的である場合に、離散化を伴わずに、センサ計画のための情報価値関数をどのように導出できるか。
• RQ2 KL発散に基づく情報価値関数は、空間現象の推定誤差低減において、ランダムセンサ選択を上回る性能を示せるか。
• RQ3 提案されたグリーディセンサ選択戦略は、収束速度および不確実性低減の観点で、ランダム選択と比較してどのように異なるか。
• RQ4 情報価値関数は、非パラメトリックなGPモデリングにおける事後分布推定の精度にどのような影響を与えるか。

主な発見

• KL発散に基づく提案された情報価値関数は、空間の離散化を要せず、効果的でリアルタイムなセンサ計画を可能にする。
• 情報価値関数に基づくグリーディアルゴリズムは、時間経過に伴いランダム戦略と比較して推定誤差の低下が著しく速い。
• 関心領域内のターゲットにおける推定誤差および分散は、提案手法の方がランダムサンプリングよりも著しく速く減少した。
• 低い平均推定誤差と低い事後分散の両方において、不確実性低減の観点で、本手法は優れた性能を示した。これは、全ターゲットおよびセンシング位置との共通集合において明確に確認された。
• 結果から、KLに基づく情報関数は、空間モニタリングタスクにおけるより効率的なデータ収集と、より高い事後推定精度を実現するものであると示唆された。