[論文レビュー] Coupling techniques for nonlinear ensemble filtering

Alessio Spantini, Ricardo Baptista+1 more|arXiv (Cornell University)|Jun 30, 2019

Target Tracking and Data Fusion in Sensor Networks被引用数 13

ひとこと要約

本稿では、輸送写像とカップリングを用いて、非線形集合フィルタリングフレームワークを導入し、高次元で非ガウス的かつカオス的な系におけるバイアスを低減する。凸最適化と局所化を用いて導出される決定的または確率的非線形変換を採用することで、重要度サンプリングを回避し、ローレンツ-96モデルにおいて、特に観測が疎で非線形的または重たい尾を持つ場合に、最先端の性能を達成する。

ABSTRACT

We consider filtering in high-dimensional non-Gaussian state-space models with intractable transition kernels, nonlinear and possibly chaotic dynamics, and sparse observations in space and time. We propose a novel filtering methodology that harnesses transportation of measures, convex optimization, and ideas from probabilistic graphical models to yield robust ensemble approximations of the filtering distribution in high dimensions. Our approach can be understood as the natural generalization of the ensemble Kalman filter (EnKF) to nonlinear updates, using stochastic or deterministic couplings. The use of nonlinear updates can reduce the intrinsic bias of the EnKF at a marginal increase in computational cost. We avoid any form of importance sampling and introduce non-Gaussian localization approaches for dimension scalability. Our framework achieves state-of-the-art tracking performance on challenging configurations of the Lorenz-96 model in the chaotic regime.

研究の動機と目的

• 遷移核が解析的に求められない高次元で非線形的かつ非ガウス的な状態空間モデルにおける、集合カルマンフィルタ（EnKF）の固有のバイアスに対処すること。
• 重要度サンプリングやパーティクルの崩壊を回避しつつ、高次元でも安定したフィルタリング手法を開発すること。
• カップリングと輸送写像を活用することで、気象的・カオス的系に一般的に見られる疎で不規則的かつ非ガウス的観測下でも正確なフィルタリングを可能にすること。
• ガウス分布の仮定やパーティクル再重み付けに依存せずに、次元に依存する局所化を施したスケーラブルなフィルタリングを実現すること。
• ローレンツ-96モデルの困難な設定、特に長時間の観測間隔や重たい尾を持つノイズ下でも、優れた追跡性能を示すことを実証すること。

提案手法

• 予測分布と事後分布の間のカップリングとしてフィルタリング問題を定式化し、予測集合サンプルを変換することで事後分布を生成する輸送写像を用いる。
• 予測分布と事後分布を凸最適化によりカップリングする、決定的で単調かつ三角形の輸送写像（Knothe–Rosenblatt再配置）を構築する。
• カップリングの非一意性に対処し、耐性を高めるために、輸送写像の確率的摂動を用いる確率的マップフィルタを導入する。
• 高次元の輸送写像に局所化を適用し、近隣の局所的領域に依存関係を制限することで、高次元系におけるスケーラビリティを実現する。
• パラメータ化された単調かつ三角形のマップ構造を用いて、サンプルから輸送写像を推定し、過学習を防ぐために凸最適化による正則化を施す。
• 直接的に集合粒子を学習済みマップで変換することで、重要度サンプリングを回避し、パーティクルの崩壊や重みに基づく推論を排除する。

実験結果

リサーチクエスチョン

• RQ1 高次元で非ガウス的かつカオス的な系において、計算コストを増加させることなく、輸送写像による非線形カップリングがEnKFの固有バイアスを低減できるか。
• RQ2 高次元における輸送写像の局所化は、計算スケーラビリティを維持しながらも正確性を保つことができるか。
• RQ3 線形EnKFと比較して、非線形的かつ非ガウス的な変換が、観測が疎で重たい尾を持つ、あるいは非線形な観測モデル下でフィルタリング性能を向上させるか。
• RQ4 輸送写像の複雑さを高めることで、観測が限られたカオス的系において、集合のカバレッジとRMSEがどの程度改善されるか。
• RQ5 非ガウス的尤度下において、確率的マップフィルタがEnKFや決定的マップフィルタよりも優れた不確実性の定量化を達成できるか。

主な発見

• 長時間の観測間隔（$ ext{obs. interval} = 0.4$）と$d=20$の観測下で、ローレンツ-96モデルにおいて、確率的マップフィルタはEnKFおよび線形マップフィルタよりも平均および中央値のRMSEが低かった。
• 重たい尾（ラプラス）観測モデル下では、高次のマップを用いた確率的マップフィルタは、集合分散を増加させることなくRMSEを低減し、カバレッジ確率を向上させた。
• 集合サイズ$M$が増加するに従い、非線形マップは性能を向上させ続けたが、EnKFおよび線形マップは頭打ちに達した。これはバイアス低減と推論の一貫性向上を示している。
• 平均カバレッジ確率（$[2.5\/,97.5\%]$経験的区間）は、マップの複雑さに従って単調に増加し、より良い不確実性の定量化を示している。
• 局所化され、単調かつ三角形のマップを用いた決定的マップフィルタは、カオス的領域におけるローレンツ-96モデルで、標準EnKFや重要度サンプリング依存の非線形フィルタを上回る、最先端の追跡性能を達成した。
• 観測ノイズ分散が減少する状況下でも、本手法は安定かつ正確であり、パーティクルベース手法で一般的に見られる数値的問題を回避した。