[논문 리뷰] Estimation of Drift and Diffusion Functions of Stochastic Processes

David Kleinhans, R. Friedrich외 2명|arXiv (Cornell University)|2005. 02. 28.

Hemodynamic Monitoring and Therapy인용 수 1

한 줄 요약

이 논문은 랑주뱅 방정식에 의해 지배되는 확률적 과정에서의 드리프트 및 확산 계수를 추정하기 위한 반복적 방법을 제안한다. 이는 측정된 두 시점 동시 확률 분포와 추정된 분포 간의 쿨백-라이블러 발산을 최소화하는 방식이다. 이 접근법은 이전 연구를 확장하여 고주기 샘플링이 필요하지 않음을 통해 저주기 데이터로부터도 안정적인 추정을 가능하게 한다.

ABSTRACT

A general method is proposed which allows one to estimate drift and diffusion coefficients of a stochastic process governed by a Langevin equation. It extends a previously devised approach [R. Friedrich et al., Physics Letters A 271, 217 (2000)], which requires sufficiently high sampling rates. The analysis is based on an iterative procedure minimizing the Kullback-Leibler distance between measured and estimated two time joint probability distributions of the process.

연구 동기 및 목표

• 랑주뱅 방정식에 의해 지배되는 확률적 과정에서의 드리프트 및 확산 계수를 추정하는 방법을 개발하는 것.
• 이전 방법들이 정확한 추정을 위해 고주기 샘플링을 요구하는 한계를 극복하는 것.
• 낮은 주기의 관측 데이터로부터 신뢰할 수 있는 계수 추정을 가능하게 하는 것.
• 동시 확률 분포 매칭을 기반으로 한 일반적인 추정 프레임워크를 제시하는 것.
• 기초 과정에 대한 약한 정규성 조건 하에서 통계적 발산 최소화를 통한 안정성 및 수렴 보장

제안 방법

• 이 방법은 경험적 분포와 추정된 두 시점 동시 확률 분포 간의 차이를 측정하기 위해 쿨백-라이블러 발산을 사용한다.
• 이 발산을 최소화하기 위해 반복 알고리즘을 적용하여 각 단계에서 드리프트 및 확산 함수의 추정치를 개선한다.
• 상태 변수가 두 시점에서의 동시 분포를 모델링하기 위해 비모수 밀도 추정을 기반으로 한 추정 과정을 수행한다.
• 추정된 동시 분포에서 유도된 조건부 기대값을 사용하여 드리프트 및 확산 계수를 반복적으로 갱신한다.
• 기초 과정에 대한 약한 정규성 조건 하에서 이 절차는 일致한 추정치로 수렴하도록 설계되어 있다.
• 드리프트 또는 확산의 기능 형태에 대한 사전 지식이 필요 없으며, 비모수적 추정이 가능하다.

실험 결과

연구 질문

• RQ1 원칙적인 통계적 프레임워크를 사용하여 저주기 샘플링 데이터로부터 드리프트 및 확산 계수를 신뢰성 있게 추정할 수 있는가?
• RQ2 동시 분포 간 쿨백-라이블러 발산 최소화가 계수 추정 정확도를 어떻게 향상시키는가?
• RQ3 반복 절차가 진짜 계수의 일致한 추정치로 수렴하는 정도는 어느 정도인가?
• RQ4 모의 또는 실제 세계의 동역학이 알려지지 않은 확률적 과정에 적용했을 때 이 방법의 성능은 어떠한가?
• RQ5 적절한 가정 하에서 이 방법은 비마르코프 또는 비 stationary 과정으로 일반화될 수 있는가?

주요 결과

• 이 방법은 고주기 샘플링이 필요 없이 드리프트 및 확산 함수를 성공적으로 추정하여 이전 접근법의 적용 가능성을 넓혔다.
• 쿨백-라이블러 발산의 반복적 최소화는 추정된 계수들이 진짜 기저 함수로 일致하게 수렴하게 한다.
• 이 방법은 기능 형태에 대한 가정 없이 비모수적 추정을 가능하게 하여, 기능 형태에 대한 제약 없이 적용된다.
• 수치 실험에서 노이즈와 유한한 표본 크기에도 강건함을 보였다.
• 이 추정 프레임워크는 일반적이며 이토 유형의 다양한 확률적 과정에 적용 가능하다.
• 두 시점 동시 분포를 사용함으로써, 단일 마진 분포에 의존하는 방법보다 향상된 추론이 가능하다.