[논문 리뷰] Coupling techniques for nonlinear ensemble filtering

Alessio Spantini, Ricardo Baptista외 1명|arXiv (Cornell University)|2019. 06. 30.

Target Tracking and Data Fusion in Sensor Networks인용 수 13

한 줄 요약

이 논문은 고차원, 비정규, 혼돈적인 시스템에서 편향을 줄이기 위해 운반 맵과 커플링을 사용하여 엔semble 칼만 필터(EnKF)를 일반화한 비선형 엔셈블 필터링 프레임워크를 제안한다. 볼록 최적화와 국소화를 통해 유도된 결정론적 또는 확률적 비선형 변환을 활용함으로써, 중요도 표본추출(importance sampling)를 피하고, 로렌츠-96 모델에서 최신 기술 수준의 성능을 달성한다. 특히 희소한, 비선형적이거나 꼬리가 두꺼운 관측 조건에서 뛰어난 성능을 보인다.

ABSTRACT

We consider filtering in high-dimensional non-Gaussian state-space models with intractable transition kernels, nonlinear and possibly chaotic dynamics, and sparse observations in space and time. We propose a novel filtering methodology that harnesses transportation of measures, convex optimization, and ideas from probabilistic graphical models to yield robust ensemble approximations of the filtering distribution in high dimensions. Our approach can be understood as the natural generalization of the ensemble Kalman filter (EnKF) to nonlinear updates, using stochastic or deterministic couplings. The use of nonlinear updates can reduce the intrinsic bias of the EnKF at a marginal increase in computational cost. We avoid any form of importance sampling and introduce non-Gaussian localization approaches for dimension scalability. Our framework achieves state-of-the-art tracking performance on challenging configurations of the Lorenz-96 model in the chaotic regime.

연구 동기 및 목표

• 이행 커널이 추정이 불가능한 고차원, 비선형, 비정규 상태공간 모델에서 엔셈블 칼만 필터(EnKF)의 내재된 편향을 해결한다.
• 중요도 표본추출과 입자 분산 문제를 피하면서도 고차원에서의 안정성을 유지하는 필터링 방법론을 개발한다.
• 커플링과 운반 맵를 활용하여 지구물리학적 및 혼돈 시스템에서 흔한 희소, 비정규, 비정규 관측 조건에서도 정확한 필터링을 가능하게 한다.
• 가우시안 가정에 의존하지 않으며 입자 재가중치화를 피하는 스케일러블한 차원 국소화 필터링을 달성한다.
• 로렌츠-96 모델의 도전적인 설정, 특히 장기간의 관측 간격과 꼬리가 두꺼운 노이즈 조건에서 뛰어난 추적 성능을 입증한다.

제안 방법

• 예측 분포와 후행 분포 사이의 커플링을 운반 맵를 통해 수식화하여 필터링 문제를 정의하며, 후행 분포는 예측 엔셈블 샘플의 변환을 통해 생성된다.
• 예측 분포와 후행 분포를 볼록 최적화를 통해 연결하는 결정론적, 단조적, 삼각형 운반 맵를 구성하기 위해 Knothe–Rosenblatt 재배열을 사용한다.
• 커플링의 유일성 부족 문제를 다루기 위해 운반 맵의 무작위 변형을 사용하는 확률적 맵 필터를 도입한다. 이는 정확도를 향상시키고 안정성을 높인다.
• 고차원 운반 맵의 국소화를 통해 의존성을 국소적 이웃 영역으로 제한함으로써, 고차원 시스템에서의 확장성을 확보한다.
• 정규화된 볼록 최적화를 통해 파arameterized, 단조적 삼각형 맵 구조를 사용하여 샘플에서 운반 맵를 추정한다. 이는 과적합을 방지한다.
• 학습된 맵를 통해 직접적으로 엔셈블 입자를 변환함으로써 중요도 표본추출을 피하고, 입자 분산 문제와 가중치 기반 추론을 제거한다.

실험 결과

연구 질문

• RQ1 운반 맵를 통한 비선형 커플링은 계산 비용 증가 없이 고차원, 비정규, 혼돈적인 시스템에서 EnKF의 내재된 편향을 줄일 수 있는가?
• RQ2 고차원에서의 성능 유지와 함께 계산 확장성을 확보하기 위해 운반 맵는 어떻게 국소화할 수 있는가?
• RQ3 선형 EnKF에 비해 비선형, 비정규 변환을 사용할 경우, 희소하거나 꼬리가 두꺼운, 비선형 관측 모델 조건에서 필터링 성능이 향상되는가?
• RQ4 운반 맵의 복잡도를 증가시킬수록, 제한된 관측 조건에서의 엔셈블 커버리지와 RMSE는 얼마나 향상되는가?
• RQ5 비정규 우도 조건 하에서, 확률적 맵 필터는 EnKF나 결정론적 맵 필터보다 더 나은 불확실성 정량화를 달성할 수 있는가?

주요 결과

• 장기간의 관측 간격($\text{obs. interval} = 0.4$)과 $d=20$개의 관측 조건에서, 로렌츠-96 모델에서 확률적 맵 필터는 EnKF와 선형 맵 필터보다 평균 및 중앙값 RMSE가 낮게 나타났다.
• 꼬리가 두꺼운(Laplace) 관측 모델 조건에서, 고차원 맵를 사용한 확률적 맵 필터는 엔셈블 분산을 증가시키지 않으면서도 RMSE를 감소시키고 커버리지 확률을 높였다. 이는 $M=100$ 엔셈블 크기에서도 동일하게 성능을 유지했다.
• 엔셈블 크기 $M$ 증가에 따라 비선형 맵는 계속 성능 향상을 보였고, EnKF와 선형 맵는 성능 포화 상태에 도달함을 통해 편향 감소와 더 나은 일致성의 가능성을 보였다.
• [$2.5\/,97.5\%$] 경험적 구간의 평균 커버리지 확률은 맵 복잡도 증가에 따라 단조적으로 증가하였으며, 이는 더 나은 불확실성 정량화를 의미한다.
• 국소화된 단조적 삼각형 맵를 사용한 결정론적 맵 필터는 혼돈 영역에서 로렌츠-96 모델에서 최신 기술 수준의 추적 성능을 달성하였으며, 표준 EnKF 및 중요도 표본추출에 의존하는 비선형 필터를 능가했다.
• 관측 노이즈 분산 감소 조건에서도 수치적 문제를 야기하는 입자 기반 방법과는 달리, 이 방법은 안정적이고 정확한 성능 유지를 유지했다.