[논문 리뷰] Bayesian Parameter Estimation via Filtering and Functional Approximations

Hermann G. Matthies, Alexander Litvinenko외 2명|arXiv (Cornell University)|2016. 11. 25.

Probabilistic and Robust Engineering Design참고 문헌 7인용 수 8

한 줄 요약

이 논문은 계산 모델에서의 불확실성 정량화를 위해 가우스-마르코프-칼만 필터(GMKF)를 사용하는 베이지안 매개변수 추정 프레임워크를 제시한다. 무작위 변수의 기능적 근사와 조건부 기대값을 통한 조건화를 활용하여, 몬테카를로 샘플링 없이도 사후 분포를 효율적으로 계산함으로써 계산 비용을 감소시키면서도 정확한 매개변수 업데이트를 달성한다.

ABSTRACT

The inverse problem of determining parameters in a model by comparing some output of the model with observations is addressed. This is a description for what hat to be done to use the Gauss-Markov-Kalman filter for the Bayesian estimation and updating of parameters in a computational model. This is a filter acting on random variables, and while its Monte Carlo variant --- the Ensemble Kalman Filter (EnKF) --- is fairly straightforward, we subsequently only sketch its implementation with the help of functional representations.

연구 동기 및 목표

• 불확실한 모델 매개변수를 가진 역 문제에서 베이지안 매개변수 추정을 위한 계산 효율적인 방법을 개발하기.
• 가우스-마르코프-칼만 필터(GMKF)를 사용하여 베이지안 업데이트를 조건부 기대값 문제로 재구성하기.
• 전통적인 몬테카를로 샘플링 대신 기능적 근사를 사용하여 확률적 이산화를 수행함으로써 수치 효율성을 향상시키기.
• 기능적 표현이 사후 분포를 높은 정확도로 근사하면서도 계산 가능성을 유지할 수 있음을 보여주기.

제안 방법

• 이 방법은 베이지안 업데이트의 이론적 기초로 조건부 기대값 연산자를 사용하며, 전체 사후 샘플링을 대체한다.
• 조건부 기대값의 선형 근사인 가우스-마르코프-칼만 필터(GMKF)를 적용하여 사후 평균을 효율적으로 계산한다.
• 무작위 변수는 다항식 혼합 등 기능 전개를 통해 표현되어 사후 분포의 스펙트럼 근사를 가능하게 한다.
• 관측치 불일치와 교차공분산을 바탕으로 한 보정 항을 사용하여 매개변수 분포의 평균과 공분산을 업데이트한다.
• 상태 및 매개변수 변수를 표준 무작위 변수의 함수로 표현하는 스펙트럼 기반의 스펙트럼 갈레르킨 유사 프레임워크를 사용한다.
• 앙상블 기반 샘플링을 피하면서도 정확도를 유지하기 위해 기능적 근사를 사용하여 수치적으로 검증한다.

실험 결과

연구 질문

• RQ1 베이지안 매개변수 추정 문제는 조건부 기대값을 중심 계산 도구로 사용하여 어떻게 재구성할 수 있는가?
• RQ2 가우스-마르코프-칼만 필터는 비선형 역 문제에서 사후 분포에 대한 효율적이고 정확한 근사를 제공할 수 있는가?
• RQ3 필터링 기반의 베이지안 추론에서 몬테카를로 샘플링을 얼마나 효과적으로 기능적 근사로 대체할 수 있는가?
• RQ4 평균과 공분산 보정만을 사용하여 사후 분포를 어떻게 고정밀도로 구성할 수 있는가?

주요 결과

• 가우스-마르코프-칼만 필터(GMKF)는 조건부 기대값에 대한 효율적인 선형 근사를 제공하여 정확한 사후 평균을 도출한다.
• 무작위 변수의 기능적 근사는 샘플링이나 앙상블에 의존하지 않고도 정확한 사후 추정을 가능하게 한다.
• 관측치 불일치와 교차공분산 항을 사용한 평균 및 공분산 보정을 통해 이 방법은 사후 분포를 매우 정확하게 근사한다.
• 수치 실험을 통해 임의 변수의 스펙트럼 표현을 사용함으로써 이 방법이 수치적으로 타당하고 확장 가능함을 입증하였다.