[論文レビュー] SSM: Inference for time series analysis with State Space Models

Joseph Dureau, Sébastien Ballesteros+1 more|arXiv (Cornell University)|Jul 22, 2013

Time Series Analysis and Forecasting参考文献 7被引用数 12

ひとこと要約

この論文は、疫学および生態学における時系列解析を目的として、状態空間モデルにおけるベイズ推論を支援するオープンソースライブラリであるSSMを紹介する。コンpartimentalモデルと、パーティクルMCMC、反復フィルタリング、拡張カルマンフィルタリングといった高度な推論手法を組み合わせることで、環境的および人口的ノイズを伴う確率的動的システムの効率的で透明性があり再現可能なモデリングを可能にする。

ABSTRACT

The main motivation behind the open source library SSM is to reduce the technical friction that prevents modellers from sharing their work, quickly iterating in crisis situations, and making their work directly usable by public authorities to serve decision-making.

研究の動機と目的

• 公衆衛生および生態学的文脈における時系列モデルの共有、再現、展開における技術的障壁を低減すること。
• 決定論的および確率的ダイナミクスを併せ持つコンパートメントモデルを定義・推論するための透明性があり、モジュール型で拡張可能なフレームワークを提供すること。
• 公的機関による直接的なモデル利用を可能にすることで、危機時における迅速なモデル反復と意思決定を支援すること。
• パーティクルMCMC、反復フィルタリング、拡張カルマンフィルタリングといった最新の計算推論手法を統合的に統合したオープンソースソフトウェアスタックを構築すること。
• モデル定義と実装を分離することで再現性を促進する、文法に基づく形式的記法を用いたコンパートメントモデルの定式化

提案手法

• 反応、その効果（整数ベクトル $ l^{(k)} $ を介して）、および時間依存するレート $ r^{(k)}(z_t, \theta) $ を指定する文法ベースの形式的記法により、モデルを明確かつ曖昧さのない形で定義する。
• 人口的および環境的ノイズをモデル化するために確率的微分方程式（SDE）を用い、漂移 $ \mu_t $ と分散行列 $ L $ を、ブラウン運動によって駆動する。
• マコフジャンプ過程の拡散近似を用いて、離散状態のジャンプ過程からSDEを導出し、連続時間の確率的モデリングを可能にする。
• 非線形かつ非ガウス型の状態空間モデルにおけるベイズ推論に、パーティクルMCMCおよび反復フィルタリングを用い、潜在状態および未知パラメータの事後分布推定を可能にする。
• 拡張カルマンフィルタ（EKF）は、初期パラメータ探索およびパーティクル法のための初期化として、計算コストが低い近似手法として用いられる。
• 環境的確率的変動は、感染率における相関のあるホワイトノイズとしてモデル化され、Bretoら（2009）に従い、モデルの誤指定を反映する。

実験結果

リサーチクエスチョン

• RQ1 コンパートメントモデルを形式的かつ曖昧さのない形で定式化することで、モデルの透明性と再現性をどのように向上させられるか？
• RQ2 疫学的および生態学的時系列における非線形かつ非ガウス型の状態空間モデルに対して、どの推論手法が最も効果的か？
• RQ3 複雑な確率的モデルにおけるベイズ推論において、正確性を損なわずに計算の効率性をどのように向上できるか？
• RQ4 未観測の変動性やモデルの誤指定を考慮するために、環境的確率的変動をどの程度までモデル化できるか？
• RQ5 オープンソースソフトウェアツールは、公衆衛生の危機におけるモデル開発と実世界応用の時間的遅れをどの程度短縮できるか？

主な発見

• SSMライブラリは、時系列モデリングの結果の完全な再現性を実現し、流行の発生から公開された再現可能解析までに通常3年もかかるという課題を解決する。
• パーティクルMCMCおよび反復フィルタリングは、非線形かつ非ガウス型のモデルに対して強固な推論を可能にし、複雑なシステムにおける潜在状態および未知パラメータの推定が可能である。
• 拡張カルマンフィルタ（EKF）は、初期推論における計算コストを顕著に低減し、パーティクルベースの手法の収束を速め、より良い初期化を可能にする。
• 相関のあるホワイトノイズを介した環境的確率的変動の組み込みにより、特に流行伝播ダイナミクスにおいて未モデル化された変動を反映するため、モデルのロバスト性が向上する。
• 文法ベースのモデル定式化フレームワークにより、モデル定義と実装が分離され、モジュール型で再利用可能かつ人間が読みやすいモデル記述が可能になる。
• このライブラリは、歴史的データ解析からリアルタイムの流行監視・予測まで、疫学、生態学、人口動態学など多様な分野に応用可能な柔軟性を示している。