[論文レビュー] Coupling of Particle Filters

Pierre Jacob, Fredrik Lindsten+1 more|arXiv (Cornell University)|Jun 3, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 13被引用数 8

ひとこと要約

本稿では、モンテカルロ推定量の分散を低減するために、粒子系間の相関を高める結合粒子フィルタを導入する。新しい結合リサンプリングアルゴリズムを設計し、Rhee–Glynnの不偏スムージング推定量を活用することで、並列化可能で不偏なスムージングが可能となり、誤差推定が正確になる。これは、標準的な粒子スムージング手法に比べて顕著な利点を提供する。

ABSTRACT

Particle filters provide Monte Carlo approximations of intractable quantities such as point-wise evaluations of the likelihood in state space models. In many scenarios, the interest lies in the comparison of these quantities as some parameter or input varies. To facilitate such comparisons, we introduce and study methods to couple two particle filters in such a way that the correlation between the two underlying particle systems is increased. The motivation stems from the classic variance reduction technique of positively correlating two estimators. The key challenge in constructing such a coupling stems from the discontinuity of the resampling step of the particle filter. As our first contribution, we consider coupled resampling algorithms. Within bootstrap particle filters, they improve the precision of finite-difference estimators of the score vector and boost the performance of particle marginal Metropolis--Hastings algorithms for parameter inference. The second contribution arises from the use of these coupled resampling schemes within conditional particle filters, allowing for unbiased estimators of smoothing functionals. The result is a new smoothing strategy that operates by averaging a number of independent and unbiased estimators, which allows for 1) straightforward parallelization and 2) the construction of accurate error estimates. Neither of the above is possible with existing particle smoothers.

研究の動機と目的

• リサンプリングステップの不連続性のため、粒子フィルタの結合に関する体系的な手法が不足していることに対処すること。
• パrameter推定におけるスコアベクトルの差分推定量の精度を向上させること。
• 不偏推定量を生成し、並列化が容易で、誤差推定が正確な新しい粒子スムージング戦略を開発すること。
• 偏りのあるまたは計算コストの高い代替手法への依存を低減することで、状態空間モデルにおける信頼性の高い推論を可能にすること。

提案手法

• 異なるパラメータを持つ2つのフィルタ間でリサンプリング意思決定を一致させることで、粒子系間の相関を最大化する結合リサンプリングアルゴリズムを導入する。
• これらの結合をブートストラップ粒子フィルタに適用し、尤度およびスコア推定量における分散低減を強化する。
• Rhee–Glynn推定量を用いて、結合された条件付き粒子フィルタからの独立で不偏な推定量の平均をとり、スムージング関数の不偏推定量を構築する。
• 最適輸送と共通の乱数を用いて、リサンプリングによって生じる非マルコフ構造を尊重しながら粒子系を結合する。
• ラオ＝ブラックウェル化および分散低減技術を組み込んで、推定量の効率をさらに向上させる。
• やや弱い正則性条件の下で手法を検証し、複数のモデルにおいてその頑健性を示す。

実験結果

リサーチクエスチョン

• RQ1 リサンプリングの不連続性にもかかわらず、粒子系間の相関を高める粒子フィルタの結合を構築可能か？
• RQ2 提案された結合リサンプリング方式は、スコアベクトルの差分推定量における分散を低減するか？
• RQ3 結合された条件付き粒子フィルタは、誤差推定が正確なスムージング関数の不偏推定量を生成できるか？
• RQ4 提案された不偏スムージング手法の性能は、標準的な粒子フィルターや固定遅延スムージングと比較して、分散および計算コストの観点でどのように異なるか？
• RQ5 ラオ＝ブラックウェル化や中央値に基づく会合時刻選択といった分散低減技術が、推定量の効率に与える影響は何か？

主な発見

• 結合リサンプリング方式は、スコアベクトルの差分推定量の精度を顕著に向上させ、粒子マルチプルメトロポリス・ハスティングス法の性能を向上させる。
• Rhee–Glynnに基づくスムージング手法は、$ N = 4,096 $ 個の粒子を用いた標準的な粒子フィルタと同等の相対的分散を達成しているが、不偏性を保っている。
• 本手法は並列化が容易であり、正確なモンテカルロ誤差推定が可能であるが、これは従来の粒子スムージング手法では実現不可能である。
• ラオ＝ブラックウェル化および中央値に基づく会合時刻選択の適用により、平均会合時刻が4.7から5.1に向上し、推定量の効率が向上した。
• 植物プランクトン–草食プランクトンモデルでは、ラオ＝ブラックウェル化および分散低減を施した不偏推定量が、
• 不偏手法の計算コストは、標準的な粒子フィルタの約10倍であるが、過剰に自信を持った誤差バーを避けることができ、推論の信頼性がより高い。