[論文レビュー] Bagged filters for partially observed spatiotemporal systems

Edward L. Ionides, Kidus Asfaw+2 more|arXiv (Cornell University)|Feb 12, 2020

Mathematical and Theoretical Epidemiology and Ecology Models被引用数 2

ひとこと要約

本稿では、部分的に観測された時空間系における推定を向上させるために、空間的・時間的に局所化された重みを用いて複数のパーティクルフィルタを組み合わせるバッグドフィルタ（BF）を提案する。標準パーティクルフィルターやアンサンブルカルマンフィルタと比較して、理論的・実用的利点を示し、特に疫学的・生態学的モデルにおける滑らかさと保存則の維持に優れている。

ABSTRACT

Bagging (i.e., bootstrap aggregating) involves combining an ensemble of bootstrap estimators. The particle filter, also known as sequential Monte Carlo or the bootstrap filter, is a widely used algorithm for estimating the latent states or likelihood of a partially observed Markov process. Our bagged filter (BF) methodology combines an ensemble of particle filters, using spatiotemporally localized weights to select successful filters at each point of space and time. In some situations, BF methodology can theoretically beat a curse of dimensionality affecting standard particle filters; in others, BF fails in theory to beat the curse, but nevertheless evinces practical advantages. Our focus is on evaluation of the likelihood function, though BF theory and methodology are also pertinent to latent state estimation. Applications suited to BF methodology include spatiotemporal analysis of epidemiological and ecological systems. We show that BF methodology can out-perform an ensemble Kalman filter on a coupled population dynamics model arising in the epidemiology of infectious disease. We also find that a block particle filter performs well on this task, though the bagged filter respects smoothness and conservation laws that a block particle filter can violate.

研究の動機と目的

• 高次元で部分的に観測された時空間系における標準パーティクルフィルタの限界を解決すること。
• 従来のパーティクルフィルタに影響を及ぼす次元の呪いを、アンサンブルベースの集約によって克服すること。
• 代替のフィルタリング手法がしばしば違反する滑らかさと保存則を尊重する手法を開発すること。
• 複雑な力学系において、既存の手法よりも尤度関数をより正確に評価すること。
• 感染症動態のモデリングにおいて、アンサンブルカルマンフィルタに対して実用的に優位であることを示すこと。

提案手法

• 各空間的・時間的点で最も成功したフィルタを選択するために、空間的・時間的に局所化された重みを用いて複数のブートストラップパーティクルフィルタをアンサンブル化する。
• バギング（ブートストラップ集約）を適用して、状態推定と尤度推定における分散を低減し、ロバスト性を向上させる。
• 特定の空間的・時間的領域で良好に動作するフィルタに適応的に重みを付ける局所化された重み付け方式を用いる。
• 部分的観測マルコフ過程における尤度関数評価と潜在状態推定に、バッグドフィルタを統合する。
• 精度、滑らかさ、システム特性の保存の観点から、バッグドフィルタをブロックパーティクルフィルターやアンサンブルカルマンフィルタと比較する。
• 理論的分析により、標準パーティクルフィルタが失敗する状況でも、BFが次元の呪いを克服できる条件を探る。

実験結果

リサーチクエスチョン

• RQ1 バッグドフィルタは、次元の呪いを緩和することで、高次元時空間系における標準パーティクルフィルターよりも優れた性能を示せるか？
• RQ2 バッグドフィルタの局所化された重み付け機構は、一様なアンサンブル平均と比較して、推定精度をどのように向上させるか？
• RQ3 ブロックパーティクルフィルタが違反する可能性がある滑らかさと保存則を、バッグドフィルタはどのように維持するか？
• RQ4 カップリングされた集団動態モデルにおける尤度推定において、バッグドフィルタはアンサンブルカルマンフィルタとどのように比較できるか？
• RQ5 バッグドフィルタは、標準パーティクルフィルタに対してどのような条件下で理論的利点を達成するか？

主な発見

• バッグドフィルタは、疫学におけるカップリングされた集団動態モデルの尤度推定において、アンサンブルカルマンフィルタを上回る性能を示した。
• ブロックパーティクルフィルタは同様のタスクで優れた性能を示したが、バッグドフィルタが尊重する滑らかさと保存則を破る可能性があった。
• バッグドフィルタの手法は、標準パーティクルフィルタが失敗する特定の時空間系において、理論的に次元の呪いを克服できる。
• 理論的に利点が保証されない状況でも、バッグドフィルタは推定精度とロバスト性の面で実用的な利点を示した。
• 局所化された重み付け機構により、空間的・時間的に高精度なパーティクルフィルタを適応的に選択することで、フィルタ性能が向上した。
• 本手法は、複雑な時空間的ダイナミクスを示す生態学的・疫学的システムのモデリングに特に適している。