[論文レビュー] Smoothing with Couplings of Conditional Particle Filters

Pierre Jacob, Fredrik Lindsten+1 more|arXiv (Cornell University)|Jan 8, 2017

Advanced Statistical Process Monitoring被引用数 4

ひとこと要約

本稿では、条件付きパーティクルフィルタとRhee–Glynnの不偏化技術を組み合わせることで、状態空間モデルに対する不偏なスムージング推定量を提案する。この手法により、独立な推定量を用いた並列計算と妥当な信頼区間が可能となり、バイアス除去にもかかわらず分散の増加が制御可能であることが、トロイモデルおよび遷移確率が解析的に求められないロトカ・ヴォリエラ系の実験で検証された。

ABSTRACT

In state space models, smoothing refers to the task of estimating a latent stochastic process given noisy measurements related to the process. We propose an unbiased estimator of smoothing expectations. The lack-of-bias property has methodological benefits: independent estimators can be generated in parallel, and confidence intervals can be constructed from the central limit theorem to quantify the approximation error. To design unbiased estimators, we combine a generic debiasing technique for Markov chains with a Markov chain Monte Carlo algorithm for smoothing. The resulting procedure is widely applicable and we show in numerical experiments that the removal of the bias comes at a manageable increase in variance. We establish the validity of the proposed estimators under mild assumptions. Numerical experiments are provided on toy models, including a setting of highly-informative observations, and a realistic Lotka-Volterra model with an intractable transition density.

研究の動機と目的

• 一般状態空間モデルにおけるスムージング期待値の不偏推定量を開発すること。これは、標準的なパーティクルスムージングに内在するバイアスを克服することを目的とする。
• 計算効率の向上と統計的推論の改善を図るため、独立な推定量を並列に生成できるようにすること。
• 中心極限定理を用いた有効な信頼区間を提供すること。これは、バイアスを持つ推定量では実現不可能である。
• 調整パラメータの選定と独立な再現の平均化を通じて、計算の実行可能性と分散の制御を維持すること。
• 非線形かつ非ガウス型状態空間モデルにおけるスムージング問題へ、不偏化技術の適用を拡張すること。

提案手法

• 条件付きパーティクルフィルタ（CPFs）と、マルコフ連鎖に対するRhee–Glynnの不偏化技術を組み合わせ、スムージング期待値の不偏推定量を生成する。
• ランダムな遭遇時刻に到達するようにカップリングされたCPFsの連鎖を用い、Rhee–Glynnフレームワークに従って不偏性を保証する。
• 複数の独立なカップリングCPFsのペアを生成し、Rhee–Glynnの和を適用することでバイアスを除去する推定量を構築する。
• カップリングされた連鎖間の遭遇時刻を停止時刻として用い、カップリング時刻の分布が分散と計算コストに影響を与える。
• 計算コストと推定量の分散の有限性というやや弱い条件下で理論的妥当性を保証する。
• パーティクル数$N$、カップリング遅延$k$、遭遇時刻の閾値$m$といった調整パラメータを用い、分散と計算負荷を制御する。

実験結果

リサーチクエスチョン

• RQ1 パーティクルフィルタリングと不偏化技術を組み合わせることで、一般状態空間モデルに対する不偏スムージング推定量を構築できるか？
• RQ2 提案手法は、標準的なバイアス付きスムージングとは異なり、信頼区間の信頼性と並列計算を実現できるか？
• RQ3 同等の計算コスト下で、提案手法の不偏推定量の分散は、標準パーティクルフィルターや固定遅延スムージングと比較してどの程度か？
• RQ4 遷移密度が解析的に求められないモデル、例えばロトカ・ヴォリエラ系に対しても本手法は適用可能か？
• RQ5 カップリングパラメータ（例：$k$, $m$）が推定量の分散と計算効率に与える影響はいかほどか？

主な発見

• 提案手法の不偏推定量は、78,377個のパーティクルを用いたパーティクルフィルタと同等の相対分散を達成しており、実験では$N=4,096$の場合にその効果を示した。
• 同等の計算コスト下で、特に固定遅延スムージングと組み合わせた場合、標準パーティクルフィルターよりも分散が低減された。
• 1,000本の独立な連鎖（$N=4,096$）からの遭遇時刻分布を用い、$k=7$, $m=14$を設定した。これは、効果的なカップリングを示している。
• ゾープランクトンモデルにおいて、固定遅延スムージングのバイアスは無視できる程度であったが、固定遅延手法のみではそのバイアスを評価することが困難であることが判明した。
• 計算コストと推定量の分散が有限であるというやや弱い条件下でも、理論的妥当性が保たれている。
• パーティクルMCMCを用いた同時パラメータと状態推定への応用が可能であり、Fisherの恒等式を用いたパーフェクトシミュレーションやスコア推定にも応用可能である。