[論文レビュー] Latent Bayesian melding for integrating individual and population models

Mingjun Zhong, Nigel Goddard+1 more|arXiv (Cornell University)|Oct 30, 2015

Blind Source Separation Techniques参考文献 23被引用数 24

ひとこと要約

本稿では、個別レベルのモデルと集団レベルのモデルを、潜在変数を介して対数的意見プールを用いて後方分布を統合する、潜在的ベイジアンメルディング（LBM）を提案する。電力分解離において、LBMは後方正則化を著しく上回り、持続時間とサイクル誤差をそれぞれ最大70%および68%まで低減し、制約付きモデリングにおけるブラインドソース分離の精度向上を示している。

ABSTRACT

In many statistical problems, a more coarse-grained model may be suitable for population-level behaviour, whereas a more detailed model is appropriate for accurate modelling of individual behaviour. This raises the question of how to integrate both types of models. Methods such as posterior regularization follow the idea of generalized moment matching, in that they allow matching expectations between two models, but sometimes both models are most conveniently expressed as latent variable models. We propose latent Bayesian melding, which is motivated by averaging the distributions over populations statistics of both the individual-level and the population-level models under a logarithmic opinion pool framework. In a case study on electricity disaggregation, which is a type of single-channel blind source separation problem, we show that latent Bayesian melding leads to significantly more accurate predictions than an approach based solely on generalized moment matching.

研究の動機と目的

• 単一チャネルブラインドソース分離問題において、潜在変数を有する個別レベルのモデルと集団レベルの統計的制約を統合する課題に対処すること。
• 両方のモデルに潜在変数が関与する場合、モーメントマッチング手法（例：後方正則化）の限界を克服すること。
• 統一された確率的枠組みを用いて、個別モデルと集団モデルからの事前情報の原理的統合手法を開発すること。
• 識別可能性の問題が個別機器レベルのエネルギー推定を妨げるため、実世界の電力分解離データに対して本手法を評価すること。
• 潜在的ベイジアンメルディングが、特に持続時間やサイクル数といった集約統計量の予測精度を向上させることを示すこと。

提案手法

• 潜在変数を有するモデルを扱うためにベイジアンメルディングを拡張し、個別モデルと集団モデルの事前分布を対数的意見プールで統合する、潜在的ベイジアンメルディング（LBM）を提案する。
• シミュレーション関数を介して誘導される事前分布と外部の集団事前分布の両方から、個別レベルのモデルパラメータの統合事前分布を導出する。
• シミュレーション関数が逆写像可能でない場合、変数変換技術またはヒューリスティック式（式. 2）を用いて統合事前分布を導出する。
• 対数的意見プールを適用する：epτ(τ) ∝ p∗τ(τ)^α pτ(τ)^(1−α)，ここでαは各事前の重みを制御するが、本研究では固定値とする。
• 統合事前分布を完全ベイジアンモデルに統合し、標準的手法を用いて潜在状態およびパラメータの事後分布を更新する。
• 要約統計量（例：合計エネルギー、持続時間、サイクル数）に制約を課した、適応的ファクタリアルHMM（AFHMM）を用いたエネルギー分解離に本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 潜在的ベイジアンメルディングは、統計的に整合性のある方法で、潜在変数を有する個別レベルのモデルと集団レベルの制約を効果的に統合できるか？
• RQ2 電力分解離において、LBMは後方正則化と比較して予測精度がどのように向上するか？
• RQ3 集団レベルの要約統計量を組み込むことで、単一チャネルブラインドソース分離における個別機器信号の識別可能性が向上するか？
• RQ4 LBMは、モーメントマッチングベースラインと比較して、持続時間やサイクル数といった集約統計量の誤差をどの程度低減するか？
• RQ5 LBMは、HESおよびUK-DALEデータを用いたクロスデータセット評価において、異なるサンプリングレートやデータ特性を持つ複数のデータセットに一般化可能か？

主な発見

• 合成データにおいて、AFHMM+LBMはAFHMM+PRと比較して、持続時間集約誤差（DAE）を8%、サイクル集約誤差（CAE）を50%低減した。
• 6軒の住宅の実 mains データにおいて、AFHMM+LBMはAFHMM+PRと比較して、NDEを15%、DAEを10%、CAEを40%低減した。
• UK-DALEデータセットにおいて、AFHMM+LBMはAFHMM+PRと比較して、DAEを70%、CAEを68%低減したが、NDEおよびSAEについては類似した性能を維持した。
• LBMは、特にエネルギー監視アプリケーションにおいて重要な持続時間とサイクル数といった集約統計量の予測精度において、後方正則化を一貫して上回った。
• 本手法は、異なるサンプリングレートやデータ特性を持つ複数の実世界データセット（HESおよびUK-DALE）において一貫した改善を示し、優れた一般化性能を示した。
• 結果から、潜在的ベイジアンメルディングを用いて集団レベルの制約を統合することで、電力分解離におけるブラインドソース分離の識別可能性の問題が効果的に緩和されることが確認された。