[논문 리뷰] A McKean optimal transportation perspective on Feynman-Kac formulae with application to data assimilation

Yuan Cheng, Sebastian Reich|arXiv (Cornell University)|2013. 11. 25.

Meteorological Phenomena and Simulations참고 문헌 87인용 수 12

한 줄 요약

이 논문은 최적 운반 이론과 McKean 과정을 활용하여 파울리-피셔 공식에 대한 새로운 시각을 제시하며, 데이터 융합을 위한 고도화된 순차적 몬테카를로 방법의 개발을 가능하게 한다. 최적 운반을 통해 예측 측도와 분석 측도를 결합함으로써, 국소화와 입자들의 선형 변환을 통해 고차원 시스템에서의 차원의 극복 문제를 완화하는 앙상블 변환 입자 필터(ETPF)를 제안한다.

ABSTRACT

Data assimilation is the task of combining mathematical models with observational data. From a mathematical perspective data assimilation leads to Bayesian inference problems which can be formulated in terms of Feynman-Kac formulae. In this paper we focus on the sequential nature of many data assimilation problems and their numerical implementation in form of Monte Carlo methods. We demonstrate how sequential data assimilation can be interpreted as time-dependent Markov processes, which is often referred to as the McKean approach to Feynman-Kac formulae. It is shown that the McKean approach has very natural links to coupling of random variables and optimal transportation. This link allows one to propose novel sequential Monte Carlo methods/particle filters. In combination with localization these novel algorithms have the potential of beating the curse of dimensionality, which has prevented particle filters from being applied to spatially extended systems.

연구 동기 및 목표

• 순차적 데이터 융합 문제를 McKean 과정 프레임워크를 사용하여 시간에 따라 변화하는 전이 핵과 가중치 함수를 갖는 파울리-피셔 모델로 재구성하기.
• 최적 운반 이론을 활용하여 공간적으로 확장된 시스템에서 입자 필터의 차원의 극복 문제를 해결하기.
• 예측 측도와 분석 측도 사이의 최적 결합을 보장하는 새로운 종류의 순차적 몬테카를로 방법—특히 앙성블 변환 입자 필터(ETPF)—개발하기.
• 국소화와 가우시안 혼합 근사법을 통합하여 기존 입자 필터링 방법의 안정성과 확장성 향상시키기.
• 관측값에 의해 구동되는 확률적 미분 방정식과 상호작용 입자 시스템을 사용하여 연속 시간 필터링 문제로 프레임워크 일반화하기.

제안 방법

• 관측값에서 유도된 가중치 함수와 시간에 따라 변화하는 전이 핵을 갖는 파울리-피셔 재귀로 순차적 베이지안 추론을 재구성하기.
• 일致 조건을 만족하는 시간에 따라 변화하는 마르코프 핵을 구성함으로써 McKean 접근법을 적용하여 사전분포와 사후분포를 연결하기.
• 최적 운반 이론을 사용하여 예측 측도와 분석 측도 사이의 최적 결합을 정의하고, 워샤르슈타인 거리 최소화하기.
• 선형 운반을 통해 앙성블 변환 입자 필터(ETPF) 유도: 예측 입자를 워샤르슈타인 거리를 최소화하는 선형 최적 운반 문제를 해결하는 행렬 S를 사용해 변환하기.
• ETPF를 공간적으로 확장된 시스템에 적용하기 위해 R-국소화 도입하여 탈기능성 감소 및 고차원에서의 성능 향상하기.
• 관측값에 의해 구동되는 확률적 미분 방정식으로 입자 동역학을 모델링함으로써 프레임워크를 연속 시간 필터링 문제로 일반화하기.

실험 결과

연구 질문

• RQ1 McKean 과정 프레임워크는 시간에 따라 변화하는 마르코프 과정으로서의 순차적 데이터 융합을 최적 결합과 함께 어떻게 설명할 수 있는가?
• RQ2 최적 운반 이론은 고차원 시스템에서 효율적이고 안정적인 입자 필터를 구성하는 데 어떤 역할을 하는가?
• RQ3 앙성블 변환 입자 필터(ETPF)는 공간적으로 확장된 시스템에서 표준 입자 필터보다 안정성과 정확도 측면에서 뛰어나게 작용할 수 있는가?
• RQ4 ETPF 프레임워크에서의 국소화는 입자 필터링에서의 차원의 극복 문제를 어떻게 완화하는가?
• RQ5 ETPF는 가우시안 혼합 예측과 연속 시간 관측 모델로 확장될 수 있는가?

주요 결과

• 최적 운반 시각은 예측 측도와 분석 측도 사이의 최적 결합을 달성하는 새로운 순차적 몬테카를로 방법—앙성블 변환 입자 필터(ETPF)—구축을 가능하게 한다.
• ETPF는 예측 분포와 분석 분포 사이의 워샤르슈타인 거리를 최소화하는 입자들의 선형 변환을 사용함으로써 고차원 시스템에서 표준 입자 필터보다 뛰어난 성능을 발휘한다.
• ETPF 프레임워크에서의 국소화는 차원의 극복 문제를 효과적으로 완화하여 표준 입자 필터가 실패하는 공간적으로 확장된 시스템에 적용 가능하게 한다.
• 관측 연산자가 선형인 경우, 경험 측도를 가중치가 있는 가우시안 혼합으로 대체함으로써 ETPF는 가우시안 혼합 예측으로 확장될 수 있으며, 해석적 취급 가능성 유지된다.
• 프레임워크는 관측값에 의해 구동되는 확률적 미분 방정식으로 표현된 ETPF 동역학을 포함한 연속 시간 필터링으로 일반화된다.
• 다중 관측 가능성을 통한 파울리-피셔 공식의 점진적 제시는 안정적인 가중치 갱신을 이끌어내며, 무한한 증분의 극한에서 기존의 연속 EnKF를 복원한다.