[논문 리뷰] Bagged filters for partially observed spatiotemporal systems

Edward L. Ionides, Kidus Asfaw외 2명|arXiv (Cornell University)|2020. 02. 12.

Mathematical and Theoretical Epidemiology and Ecology Models인용 수 2

한 줄 요약

이 논문은 부분적으로 관측된 시공간 시스템에서 추정 성능을 햖스키기 위해 시간적·공간적으로 국소화된 가중치를 사용해 다수의 입자 필터를 조합하는 백킹 필터(BF)를 소개한다. 표준 입자 필터 및 엔semble 칼만 필터보다 이론적·실용적 우월성을 보이며, 특히 전염병학적 및 생태학적 모델에서 부드러움과 보존 법칙을 유지하는 데서 뛰어나다.

ABSTRACT

Bagging (i.e., bootstrap aggregating) involves combining an ensemble of bootstrap estimators. The particle filter, also known as sequential Monte Carlo or the bootstrap filter, is a widely used algorithm for estimating the latent states or likelihood of a partially observed Markov process. Our bagged filter (BF) methodology combines an ensemble of particle filters, using spatiotemporally localized weights to select successful filters at each point of space and time. In some situations, BF methodology can theoretically beat a curse of dimensionality affecting standard particle filters; in others, BF fails in theory to beat the curse, but nevertheless evinces practical advantages. Our focus is on evaluation of the likelihood function, though BF theory and methodology are also pertinent to latent state estimation. Applications suited to BF methodology include spatiotemporal analysis of epidemiological and ecological systems. We show that BF methodology can out-perform an ensemble Kalman filter on a coupled population dynamics model arising in the epidemiology of infectious disease. We also find that a block particle filter performs well on this task, though the bagged filter respects smoothness and conservation laws that a block particle filter can violate.

연구 동기 및 목표

• 고차원적이고 부분적으로 관측되는 시공간 시스템에서 표준 입자 필터의 한계를 해결한다.
• 기존 입자 필터에 영향을 미치는 차원의 극복 문제를 엔셈블 기반 집계를 통해 극복한다.
• 기존의 필터링 접근 방식이 위반하기 쉬운 부드러움과 보존 법칙을 존중하는 방법론을 개발한다.
• 복잡한 동적 시스템에서 기존 방법보다 더 정확하게 가능도 함수를 평가한다.
• 전염병 역학 모델링에서 엔셈블 칼만 필터보다 실용적으로 뛰어난 성능을 입증한다.

제안 방법

• 각 공간 및 시간 점에서 가장 성공적인 필터를 선택하기 위해 시간적·공간적으로 국소화된 가중치를 사용해 다수의 부트스트랩 입자 필터를 엔셈블로 조합한다.
• 분산을 줄이고 추정의 강건성을 향상시키기 위해 백킹(부트스트랩 집계)을 적용한다.
• 특정 영역에서 성능이 우수한 필터를 적응적으로 강조하기 위해 국소화된 가중치 기반 방법을 사용한다.
• 부분적으로 관측된 마르코프 과정의 가능도 평가 및 잠재 상태 추정에 백킹 필터를 통합한다.
• 정확도, 부드러움, 시스템 성질의 보존 측면에서 블록 입자 필터 및 엔셈블 칼만 필터와 백킹 필터를 비교한다.
• 이론적 분석을 통해 표준 입자 필터가 실패하는 상황에서도 BF가 차원의 극복 문제를 해결할 수 있는 조건을 탐구한다.

실험 결과

연구 질문

• RQ1 백킹 필터는 차원의 극복 문제를 완화시켜 고차원 시공간 시스템에서 표준 입자 필터를 능가할 수 있는가?
• RQ2 백킹 필터의 국소화된 가중치 메커니즘이 균일한 엔셈블 평균화보다 추정 정확도를 어떻게 향상시키는가?
• RQ3 블록 입자 필터가 위반할 수 있는 부드러움과 보존 법칙을 백킹 필터는 어떻게 유지하는가?
• RQ4 커플링된 인구 역학 모델의 가능도 추정에서 백킹 필터는 엔셈블 칼만 필터와 어떻게 비교되는가?
• RQ5 백킹 필터가 표준 입자 필터보다 이론적 우월성을 확보하는 조건은 무엇인가?

주요 결과

• 백킹 필터는 전염병학에서 커플링된 인구 역학 모델의 가능도 추정에서 엔셈블 칼만 필터를 능가한다.
• 블록 입자 필터는 동일한 작업에서 양호한 성능을 보이지만, 백킹 필터가 존중하는 부드러움과 보존 법칙을 위반할 수 있다.
• 백킹 필터 방법론은 표준 입자 필터가 실패하는 특정 시공간 시스템에서 차원의 극복 문제를 이론적으로 해결할 수 있다.
• 이론적으로 이점이 보장되지 않더라도, 백킹 필터는 여전히 추정 정확도와 강건성 측면에서 실용적 이점을 보인다.
• 국소화된 가중치 메커니즘이 공간과 시간에 걸쳐 성능이 뛰어난 입자 필터를 적응적으로 선택함으로써 필터 성능을 향상시킨다.
• 이 방법은 복잡한 시공간 역학을 보이는 생태학적 및 전염병학적 시스템 모델링에 특히 적합하다.