[論文レビュー] Multilevel ensemble Kalman filtering for spatially extended models

Alexey Chernov, Haakon Hoel+3 more|arXiv (Cornell University)|Aug 30, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 26被引用数 9

ひとこと要約

本稿は、無限次元の状態空間を有する空間的に拡張されたモデルに対して、多層モンテカルロ（MLMC）サンプリングとアンサンブルカルマンフィルタ（EnKF）を組み合わせることで、優れた計算効率を達成する、マルチレベルアンサンブルカルマンフィルタ（MLEnKF）を導入する。この手法は、階層的な空間的離散化を活用することで、与えられた計算コストに対する平均二乗誤差を低減し、MLEnKFがMLMCの最適な漸近的コスト対精度スケーリングを継承していることを証明するとともに、線形ガウス設定においてフィルタリング分布と一貫性を保つことを示している。

ABSTRACT

This work embeds a multilevel Monte Carlo (MLMC) sampling strategy into the Monte Carlo step of the ensemble Kalman filter (EnKF), thereby yielding a multilevel ensemble Kalman filter (MLEnKF) which has provably superior asymptotic cost to a given accuracy level. The development of MLEnKF for finite-dimensional state-spaces in the work [20] is here extended to models with infinite-dimensional state- spaces in the form of spatial fields. A concrete example is given to illustrate the results.

研究の動機と目的

• 有限次元から無限次元の空間的に拡張されたモデルへ、マルチレベルアンサンブルカルマンフィルタ（MLEnKF）を拡張すること。
• 高次元の空間的場におけるアンサンブルカルマンフィルタのモンテカルロサンプリングの計算コストを低減すること。
• 提案されたMLEnKFが、標準的なマルチレベルモンテカルロ（MLMC）と同一の最適な漸近的コスト対精度スケーリングを達成することを証明すること。
• MLEnKFの平均場極限分布が、線形およびガウス設定において真のフィルタリング分布に収束することを示すこと。
• 理論的利点を空間的に拡張されたSPDEの文脈で具体例を用いて示すこと。

提案手法

• アンサンブルカルマンフィルタ（EnKF）のモンテカルロステップに、マルチレベルモンテカルロ（MLMC）戦略を組み込み、マルチレベルアンサンブルカルマンフィルタ（MLEnKF）を構築する。
• メッシュサイズを小さくする階層的な空間的離散化を用い、粗いレベルでは低精度の近似を、細かいレベルではそれを精緻化する。
• 期待値の分解にテレスコピング恒等式を用い、レベル間の差分に着目することで分散を低減し、コスト効率の良い推定を可能にする。
• 各レベルでアンサンブルに基づく平均および共分散の近似を実施し、独立同一分布のアンサンブルを用いてフィルタリング分布を推定する。
• 無限次元設定における数学的適切性を保証するため、極限共分散作用素がトレースクラスであることを仮定する。
• ヒルベルト空間の対称化およびR型2性質を用いて、アンサンブル推定の集中限界を導出し、標本統計量の収束を保証する。

実験結果

リサーチクエスチョン

• RQ1 マルチレベルモンテカルロフレームワークは、無限次元の状態空間を有する空間的に拡張されたモデルへ成功裏に拡張可能か？
• RQ2 提案されたMLEnKFは、フィルタリング問題において、標準的なMLMCと同一の最適な漸近的コスト対精度スケーリングを達成するか？
• RQ3 線形およびガウス設定におけるMLEnKFの平均場極限分布の収束挙動はいかなるものか？
• RQ4 同じ計算コストのもとで、MLEnKFは標準EnKFに比べてモンテカルロ誤差をどの程度低減するか？
• RQ5 空間的に拡張されたSPDEの文脈において、MLEnKFの安定性および一貫性を保証する条件は何か？

主な発見

• MLEnKFは、標準的なマルチレベルモンテカルロと同一の最適な漸近的コスト対精度スケーリングを達成し、平均二乗誤差εに対して計算コストがO(ε⁻²)にスケーリングされることを示した。これは、既知の最良のレートに一致する。
• 線形およびガウス設定では、MLEnKFの平均場極限分布が真のフィルタリング分布に収束し、一貫性が保証される。
• 固定された計算コストのもとで、モンテカルロ誤差が低減され、標準EnKFに比べて同じ精度を達成するためのアンサンブルサイズを小さくすることが可能になる。
• 理論的境界から、適切なモーメント条件のもとで、アンサンブルに基づく共分散および平均推定値がO(1/√M)のレートで収束することが示された（Mはアンサンブルサイズ）。
• トレースクラス共分散作用素を有するSPDEへも適用可能であり、無限次元ヒルベルト空間における数学的適切性が保証される。
• 具体的な例を通じて、MLEnKFが空間的に拡張されたフィルタリング問題において実用的な利点を示し、標準EnKFに比べて顕著なコスト削減を実現していることが確認された。