[論文レビュー] Distributed Bayesian Learning of Dynamic States

Mert Kayaalp, Virgı́nia Bordignon+3 more|arXiv (Cornell University)|Dec 5, 2022

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

本稿では、有限状態の隠れマルコフモデルを用いて、マルチエージェントネットワークにおける動的状態の追跡のための分散型ベイズフィルタリングアルゴリズムを提案する。1イテレーションあたり1ラウンドの通信で済み、幾何的エルゴード性のもとで中央集権的最適解からの不一致が漸近的に有界であることを保証し、ガウス分布観測のもとでエージェント固有の定常誤差確率に収束することを確立する。

ABSTRACT

This work studies networked agents cooperating to track a dynamical state of nature under partial information. The proposed algorithm is a distributed Bayesian filtering algorithm for finite-state hidden Markov models (HMMs). It can be used for sequential state estimation tasks, as well as for modeling opinion formation over social networks under dynamic environments. We show that the disagreement with the optimal centralized solution is asymptotically bounded for the class of geometrically ergodic state transition models, which includes rapidly changing models. We also derive recursions for calculating the probability of error and establish convergence under Gaussian observation models. Simulations are provided to illustrate the theory and to compare against alternative approaches.

研究の動機と目的

• 時間変動する隠れ状態を、エージェント間のローカル相互作用と1回の通信ラウンドのみを用いて、協調的に追跡できるようにすること。
• 一般の状態遷移モデルのもとで、分散型アルゴリズムと最適な中央集権型ベイズフィルタの間の性能差を分析すること。
• 二項仮説検定の状況におけるエージェント間の誤差確率の再帰的表現を導出すること。
• ガウス分布観測モデルのもとで、エージェントの信念の分布の漸近的収束を確立すること。
• ネットワーク構造とエージェントの中心性が、定常誤差性能を決定づける役割を明確にすること。

提案手法

• エージェントはローカル観測値と1ホップの隣接エージェント情報に基づいて信念を更新する分散型ベイズフィルタリングフレームワークを用いる。
• 急激に変化するダイナミクスの追跡を改善するために、既知の状態遷移モデルを組み込む。これにより、アンモナストや複数回の通信ラウンドに依存しなくなる。
• エージェントはローカルの対数尤度比を計算し、二重確率的結合重みを用いてそれらを統合し、グローバルな信念更新を形成する。
• マルコフ連鎖の幾何的エルゴード性を活用して、中央集権的最適解からの逸脱を有界に保つ。
• ガウスモデルの場合、誤差確率の再帰的表現を導出し、エージェントの信念が極限分布に分布収束することを証明する。
• 全変動距離収束を用い、マルコフ連鎖理論の結果を応用して信念ダイナミクスの漸近的安定性を確立する。

実験結果

リサーチクエスチョン

• RQ1 一般の動的状態モデルのもとで、分散型ベイズフィルタリングアルゴリズムが中央集権的最適解に対して有界な性能を達成できるか？
• RQ2 ネットワーク構造は、動的環境下での個々のエージェントの定常誤差確率にどのように影響するか？
• RQ3 エージェントの中心性が、分散型状態推定の収束性と精度に与える影響は何か？
• RQ4 複数回の通信ラウンドを要せず、急激に変化する状態においてもアルゴリズムが性能を維持できるか？
• RQ5 分散戦略がエージェント間で安定な誤差確率分布に収束する条件は何か？

主な発見

• 状態遷移モデルの幾何的エルゴード性のもとで、分散型アルゴリズムと最適な中央集権的解との間の不一致は漸近的に有界である。
• ガウス分布観測のもとで二項仮説検定を行う場合、エージェントの誤差確率は、ネットワーク内での中心性に依存する定常分布に収束する。
• 中央に位置するエージェントは、信念更新の分散が小さいため、周辺エージェントよりも低い定常誤差確率を達成する。
• アルゴリズムは信念分布の全変動距離収束を保証しており、これはエージェントの対数尤度比が分布収束することを意味する。
• 1回の状態変更あたり1回の通信ラウンドのみを要するため、非常に動的な環境に適している。
• 理論的結果は単一エージェントケースに一般化可能であり、より広範なベイズフィルタリング文脈に貢献する。