[論文レビュー] Tracking using explanation-based modeling

Kamalika Chaudhuri, Yoav Freund+1 more|arXiv (Cornell University)|Mar 16, 2009

Advanced Bandit Algorithms Research参考文献 21被引用数 4

ひとこと要約

本稿では、従来のベイジアン生成モデルに代わり、損失最小化に基づくオンライン学習アプローチを用いる追跡の説明的フレームワークを導入する。クリッピング損失関数を用いたNormalHedgeを用いることで、モデル不一致やノイズに対して著しく優れたロバスト性を達成し、特に高ノイズまたはわずかなモデルずれの下で、ベイジアンフィルターやパーティクルフィルターを凌駕する性能を示す。

ABSTRACT

We study the tracking problem, namely, estimating the hidden state of an object over time, from unreliable and noisy measurements. The standard framework for the tracking problem is the generative framework, which is the basis of solutions such as the Bayesian algorithm and its approximation, the particle filters. However, the problem with these solutions is that they are very sensitive to model mismatches. In this paper, motivated by online learning, we introduce a new framework -- an {\em explanatory} framework -- for tracking. We provide an efficient tracking algorithm for this framework. We provide experimental results comparing our algorithm to the Bayesian algorithm on simulated data. Our experiments show that when there are slight model mismatches, our algorithm vastly outperforms the Bayesian algorithm.

研究の動機と目的

• 実世界の追跡シナリオにおけるベイジアン追跡アルゴリズムのモデル不一致への感受性を軽減すること。
• 確率的生成仮定に依存しない追跡フレームワークを構築し、誤った測定モデルに対してもロバスト性を確保すること。
• 確率的仮定に依存しないオンライン学習の原則に基づき、追跡性能に対する理論的保証を提供すること。
• 標準的なベイジアンフィルタリングよりも優れた追跡性能をもたらす、対数損失以外の損失関数の有効性を示すこと。

提案手法

• 説明的フレームワークは、候補となる状態パスを観測の説明とみなす。尤度ではなく、事前に定義された損失関数によって評価する。
• アルゴリズムは、過去の損失性能に基づき、候補パスの重み付き平均を維持するためのオンライン学習アルゴリズムであるNormalHedgeを用いる。
• NormalHedgeに基づく追跡アルゴリズムの計算効率を高めるために、順次モンテカルロ近似が導出される。
• 損失関数はクリッピング損失として設計され、外れ値の影響を制限し、モデルの不正確さへの感受性を低減する。
• 明示的な尤度計算を避ける代わりに、時間経過に伴う累積損失の最小化に焦点を当てる。
• 理論的保証により、観測分布に依存せずに、アルゴリズムの損失が後悔的に最良のパスに近いことが保証される。

実験結果

リサーチクエスチョン

• RQ1 生成的確率的仮定に依存せずに、モデル不一致に対してロバストな追跡アルゴリズムを設計できるか？
• RQ2 対数損失以外の損失関数を用いることで、ベイジアン手法を上回る追跡性能が得られるか？
• RQ3 オンライン学習技術が、真のデータ生成プロセスに依存しない性能保証を提供できるか？
• RQ4 高測定ノイズおよびモデルずれの下で、提案手法の性能はベイジアンフィルターやパーティクルフィルターと比べてどうなるか？
• RQ5 理論的根拠を持つ非ベイジアン追跡手法が、現実的な追跡シナリオで優れた実験的結果を達成できるか？

主な発見

• 高ノイズ（σ₀ = 8）下では、40%の観測が不一致モデルから生成されても（ρ = 0.4）、提案手法のRMSEは19.6にとどまる一方、ベイジアン手法のRMSEは100を超える。
• ベイジアン手法の性能はモデル不一致によって急激に低下する：ρ = 0.01の下で高ノイズ下ではRMSEが1.17から1.90に増加するが、提案手法は約12.25で安定している。
• パーティクルフィルターはモデル不一致に対して非常に感受性が高く、ρ = 0.01の低不一致レベルでもRMSEが80を超えることがあり、モデルの不正確さに強く影響を受ける。
• 提案手法は、全テストノイズレベルおよび不一致条件において、ベイジアン手法およびパーティクルフィルターを一貫して上回り、特に高ノイズおよび高不一致領域で顕著な優位性を示す。
• 補足実験から、Σ*およびαの異なるパラメータ設定下でも性能が安定しており、一般化可能性が確認されている。
• 視覚的結果（図3）から、提案手法の予測パスは真の状態をよく追跡している一方、ベイジアン手法は高ノイズおよびモデル不一致下で著しく逸脱している。