[論文レビュー] Bayesian Parameter Estimation via Filtering and Functional Approximations

Hermann G. Matthies, Alexander Litvinenko+2 more|arXiv (Cornell University)|Nov 25, 2016

Probabilistic and Robust Engineering Design参考文献 7被引用数 8

ひとこと要約

本稿では、計算モデルにおける不確実性の定量化のため、ガウス＝マークフ・カルマンフィルタ（GMKF）を用いたベイズ的パラメータ推定フレームワークを提示する。確率的変数の関数的近似と条件付き期待値による条件付けを活用することで、モンテカルロサンプリングを用いずに事後分布を効率的に計算し、計算コストを低減しつつ高精度なパラメータ更新を達成する。

ABSTRACT

The inverse problem of determining parameters in a model by comparing some output of the model with observations is addressed. This is a description for what hat to be done to use the Gauss-Markov-Kalman filter for the Bayesian estimation and updating of parameters in a computational model. This is a filter acting on random variables, and while its Monte Carlo variant --- the Ensemble Kalman Filter (EnKF) --- is fairly straightforward, we subsequently only sketch its implementation with the help of functional representations.

研究の動機と目的

• 不確実なモデルパラメータを伴う逆問題における、計算的に効率的なベイズ的パラメータ推定手法の開発。
• ガウス＝マークフ・カルマンフィルタ（GMKF）を用いて、ベイズ更新を条件付き期待値問題に再定式化すること。
• 数値的効率性を向上させるために、従来のモンテカルロサンプリングを関数的近似に置き換えること。
• 関数的表現が、計算の扱いやすさを保ちながらも、高い精度で事後分布を近似できることを示すこと。

提案手法

• ベイズ更新の理論的基盤として条件付き期待値作用素を用い、完全な事後分布サンプリングを置き換える。
• 条件付き期待値の線形近似であるガウス＝マークフ・カルマンフィルタ（GMKF）を適用し、事後分布の平均を効率的に計算する。
• 確率的変数を多項式クラウドなどの関数的展開で表現することで、事後分布のスペクトル的近似を可能にする。
• 観測値との不一致とクロス共分散に基づく補正項を用いて、パラメータ分布の平均と分散を更新する。
• 状態変数とパラメータ変数を標準確率変数の関数として表現する、ストークス・ガラーキンに類似したフレームワークを採用する。
• アンサンブルベースのサンプリングを避けるために関数的近似を用いた数値的検証を行い、精度を維持しつつ計算の有効性を確認する。

実験結果

リサーチクエスチョン

• RQ1 ベイズ的パラメータ推定問題を、条件付き期待値を核心的な計算ツールとして再定式化する方法は何か？
• RQ2 ガウス＝マークフ・カルマンフィルタは、非線形逆問題において、効率的かつ高精度に事後分布を近似できるか？
• RQ3 フィルタリングに基づくベイズ推論において、関数的近似がモンテカルロサンプリングをどの程度置き換えることができるか？
• RQ4 平均と分散の補正のみを用いて、どのように高精度な事後分布を構築できるか？

主な発見

• ガウス＝マークフ・カルマンフィルタ（GMKF）は、条件付き期待値の効率的で線形な近似を提供し、正しい事後分布の平均を導出する。
• 確率的変数の関数的近似により、サンプリングやアンサンブルに依存せずに、高精度な事後分布推定が可能になる。
• 観測値との不一致とクロス共分散項を用いた平均と分散の補正により、この手法は事後分布の近似において高い精度を達成する。
• スペクトル的表現を用いた数値実験により、数値的実行可能性とスケーラビリティが実証された。