[論文レビュー] Improving particle filter performance with a generalized random field model of observation errors

Gregor Robinson, Ian Grooms+1 more|arXiv (Cornell University)|Nov 17, 2017

Hydrology and Drought Analysis被引用数 2

ひとこと要約

本稿では、アンサンブルサイズの要件を軽減し、フィルタの崩壊を防ぐために、粒子フィルタにおける観測誤差の一般化されたランダム場（GRF）モデルを提案する。スケールに依存する誤差分散を導入することで、小スケールのずれを軽視するため、アンサンブルメンバーを変更せずに事後平均を滑らかにする。これにより、連続ランク確率スコア（CRPS）において、崩壊を最大20％まで低減し、精度が向上する。

ABSTRACT

This article shows that generalized random field (GRF) models of additive observation error can reduce the ensemble size required to avoid collapse in particle filtering of spatially-extended dynamics. This kind of random field model has increasing variance at small scales, and realizations appear `jagged.' Particle weights depend on how well a particular ensemble member agrees with the observations, and collapse occurs when a few ensemble members receive most of the weight. The GRF observation error model reduces the incidence of collapse by de-emphasizing small-scale differences between the ensemble members and the observations. This observation error model smooths the posterior mean, though it does not smooth the individual ensemble members. Two options for implementing the observation error model are described. Taking discretized elliptic differential operators as an observation error covariance matrix provides the desired jagged property of process realizations. This choice also introduces structure exploitable by scalable computation techniques, including multigrid solvers and multiresolution approximations to the corresponding integral operator. Alternatively the observations can be smoothed and then assimilated under the assumption of independent errors, which is equivalent to assuming large errors at small scales. The method is demonstrated on a linear stochastic partial differential equation, where it significantly reduces the occurrence of particle filter collapse while maintaining accuracy. It also improves continuous ranked probability scores by as much as 20\%, indicating an improvement in the quality of the probability distribution associated with the particle weights. The method is compatible with other techniques for improving the performance of particle filters.

研究の動機と目的

• 高次元の観測誤差による空間拡張系における粒子フィルタの崩壊を是正すること。
• 精度を損なわせることなく、安定した粒子フィルタリングに必要なアンサンブルサイズを低減すること。
• アンサンブルメンバーと観測値の間の小スケール差を軽視する観測誤差モデルの開発。
• 楕円型微分作用素から導かれる構造的共分散行列を用いて、スケーラブルな計算を可能とすること。
• 連続ランク確率スコア（CRPS）で測定される、予測確率分布の質の向上。

提案手法

• 小スケールで分散が増加する一般化されたランダム場（GRF）を用いて、観測誤差をモデル化し、粗い実現値を生成する。
• スケールに依存する誤差構造を強制するために、離散化された楕円型微分作用素を観測誤差共分散行列として使用する。
• GRFの積分作用素のマルチグリッド解法およびマルチスケール近似を用いて、スケーラブルな計算を実現する。
• あるいは、事前的に観測値を滑らかにし、独立誤差を仮定する方法を採用する。これは、小スケールでの大きな誤差を仮定することと数学的に同等である。
• 性能評価のため、線形確率的偏微分方程式にGRFモデルを適用する。
• 連続ランク確率スコアと崩壊頻度を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 一般化されたランダム場モデルを用いた観測誤差モデルは、空間拡張系における粒子フィルタの崩壊を低減できるか？
• RQ2 GRFモデルは、安定した粒子フィルタリングに必要なアンサンブルサイズをどの程度低減できるか？
• RQ3 GRFモデルは、事後確率分布の精度と質にどのような影響を与えるか？
• RQ4 マルチグリッド解法などのスケーラブルな数値的手法を用いて、GRFモデルを効率的に実装できるか？
• RQ5 標準的な粒子フィルタリングと比較して、GRFモデルは連続ランク確率スコア（CRPS）を改善するか？

主な発見

• GRFモデルは、アンサンブルメンバーと観測値の間の小スケール差を軽視することで、粒子フィルタの崩壊の発生頻度を顕著に低減する。
• この手法は、安定したフィルタリングに必要なアンサンブルサイズを低減しつつも、高い精度を維持する。
• 連続ランク確率スコア（CRPS）は最大20％改善され、より良好にキャリブレーションされた予測分布を示している。
• 離散化された楕円型微分作用素を共分散行列として用いることで、マルチグリッド法およびマルチスケール法による効率的計算が可能になる。
• 事前的に観測値を滑らかにし、独立誤差を仮定する方法は、数学的にGRFモデルと同等であり、同様の性能向上を達成する。
• GRFモデルは、他の粒子フィルタの改善手法とも併用可能であり、広範な適用可能性を示している。