[論文レビュー] Multilevel particle filter

Ajay Jasra, Kengo Kamatani+2 more|arXiv (Cornell University)|Oct 16, 2015

Microfluidic and Bio-sensing Technologies参考文献 3被引用数 9

ひとこと要約

本稿は、離散時間観測における部分的観測付き拡散過程の順序付きベイズ推定に、多層モンテカルロの原則と順序付きベイズフィルタリングを組み合わせたマルチレベル粒子フィルタ（MLPF）を提案する。複数の離散化レベルにおける粒子フィルタを結合し、相関を維持するための新しいリサンプリング戦略を用いることで、平均二乗誤差 $ε^2$ を達成するための最適な作業複雑度 $ε^{-2}$ を達成し、標準の粒子フィルタと比較して計算コストを顕著に削減する。

ABSTRACT

In this paper the filtering of partially observed diffusions, with discrete-time observations, is considered. It is assumed that only biased approximations of the diffusion can be obtained, for choice of an accuracy parameter indexed by $l$. A multilevel estimator is proposed, consisting of a telescopic sum of increment estimators associated to the successive levels. The work associated to $\mathcal{O}(\varepsilon^2)$ mean-square error between the multilevel estimator and average with respect to the filtering distribution is shown to scale optimally, for example as $\mathcal{O}(\varepsilon^{-2})$ for optimal rates of convergence of the underlying diffusion approximation. The method is illustrated on some toy examples as well as estimation of interest rate based on real S&P 500 stock price data.

研究の動機と目的

• 離散時間観測付き部分的観測付き拡散過程のフィルタリングにおいて、標準の粒子フィルタの高い計算コストを解消すること。
• 多層モンテカルロフレームワークを順序付きベイズ推定に拡張し、標準の粒子手法における重みの劣化と非効率性を克服すること。
• 異なるレベルの粒子系間の相関を維持するためのカップリングリサンプリング機構を設計し、レベル間での分散低減を可能にすること。
• フィルタリングにおける平均二乗誤差の理論的最適な複雑度スケーリングを確立し、拡散近似における最良の可能なレートに一致させること。
• 合成モデルおよび実際の金融データ（例：S&P 500 のボラティリティ推定）において、実証的性能向上を示すこと。

提案手法

• 各レベル $l$ が時間刻みサイズ $h_l$ に対応する、離散化レベル間の差分推定子のテレスコピック和に基づくマルチレベル推定子を提案。
• 粗いレベルと細かいレベルの粒子軌道を同期させ、強い相関を維持する新しいカップリングリサンプリング手順を導入し、差分推定子の分散低減を実現。
• 各レベル $l$ で拡散過程のバイアス付き近似を用い、最も細かいレベル $L$ がフィルタリング分布への主な近似を提供する。
• 各レベルで粒子フィルタを適用し、観測密度 $G(y_k, x_k)$ を用いて重みを更新する。
• テレスコピック和構造を採用：$\mathbb{E}[\phi(X_T)] \approx \sum_{l=0}^L \mathbb{E}[\Delta_l]$、ここで $\Delta_l$ は細かいレベルと粗いレベルの推定子の差分である。
• 理論的分析により、$ε^2$ の平均二乗誤差を達成するための作業量が、拡散近似の最適収束レートのもとで $ε^{-2}$ に比例することが示された。

実験結果

リサーチクエスチョン

• RQ1 多層モンテカルロフレームワークは、部分的観測付き拡散過程のフィルタリング問題に成功裏に拡張可能か？
• RQ2 平均二乗誤差と計算コストの観点から、マルチレベル粒子フィルタの最適な複雑度スケーリングは何か？
• RQ3 リサンプリングは、異なるレベルの粒子系間の強い相関を維持するようにどのように設計できるか？分散低減を可能にする。
• RQ4 実用的状況において、標準の粒子フィルタと比較して、提案手法は顕著なコスト削減を達成するか？
• RQ5 理論的複雑度バウンダリーは、トロイモデルおよび実際の金融データの両方で実証的に検証可能か？

主な発見

• マルチレベル粒子フィルタは、$ε^2$ の平均二乗誤差を達成するための最適な作業複雑度 $ε^{-2}$ を達成し、この問題クラスの理論的下界に一致する。
• トロイ例および実際のS&P 500 ボラティリティ推定の両方において、標準の粒子フィルタと比較して計算コストを1桁以上削減する。
• 理論的分析により、差分推定子の分散がレベルの細分化に伴い減少することが確認され、各レベルへの計算リソースの効率的割り当てが可能である。
• カップリングリサンプリング機構は、隣接するレベル間の粒子系間の強い相関を成功裏に維持しており、これはマルチレベル推定子における分散低減に不可欠である。
• S&P 500 データにおける実証的結果から、同手法は確率的ボラティリティを正確に推定でき、高ノイズまたは複雑なダイナミクス下でも安定性を維持することが示された。
• アルゴリズムは並列処理に強く適しており、高性能コンピューティングアーキテクチャへの展開に大きな可能性を秘めている。