[논문 리뷰] Improving particle filter performance with a generalized random field model of observation errors

Gregor Robinson, Ian Grooms외 1명|arXiv (Cornell University)|2017. 11. 17.

Hydrology and Drought Analysis인용 수 2

한 줄 요약

이 논문은 입자 필터에서 관측 오차를 위한 일반화된 랜덤 필드(GRF) 모델을 제안하여 앙상블 크기 요구 조건을 줄이고 필터 붕괴를 방지한다. 소규모 스케일의 차이를 감소시킴으로써 척도에 따라 변화하는 오차 분산을 도입함으로써, 앙상블 구성원을 변경하지 않고도 사후 평균을 매끄럽게 하여 정확도를 향상시키고, 연속적 랭크 확률 점수에서 붕괴를 최대 20% 감소시킨다.

ABSTRACT

This article shows that generalized random field (GRF) models of additive observation error can reduce the ensemble size required to avoid collapse in particle filtering of spatially-extended dynamics. This kind of random field model has increasing variance at small scales, and realizations appear `jagged.' Particle weights depend on how well a particular ensemble member agrees with the observations, and collapse occurs when a few ensemble members receive most of the weight. The GRF observation error model reduces the incidence of collapse by de-emphasizing small-scale differences between the ensemble members and the observations. This observation error model smooths the posterior mean, though it does not smooth the individual ensemble members. Two options for implementing the observation error model are described. Taking discretized elliptic differential operators as an observation error covariance matrix provides the desired jagged property of process realizations. This choice also introduces structure exploitable by scalable computation techniques, including multigrid solvers and multiresolution approximations to the corresponding integral operator. Alternatively the observations can be smoothed and then assimilated under the assumption of independent errors, which is equivalent to assuming large errors at small scales. The method is demonstrated on a linear stochastic partial differential equation, where it significantly reduces the occurrence of particle filter collapse while maintaining accuracy. It also improves continuous ranked probability scores by as much as 20\%, indicating an improvement in the quality of the probability distribution associated with the particle weights. The method is compatible with other techniques for improving the performance of particle filters.

연구 동기 및 목표

• 고차원 관측 오차로 인한 공간적으로 확장된 시스템에서의 입자 필터 붕괴 문제를 해결하기 위해.
• 정확도를 훼손하지 않고도 안정적인 입자 필터링을 위한 필요한 앙상블 크기를 줄이기 위해.
• 앙상블 구성원과 관측치 간의 소규모 스케일 차이를 감소시키는 관측 오차 모델을 개발하기 위해.
• 타원형 미분 연산자의 적분 연산자로부터 유도된 구조적 공분산 행렬을 통해 확장 가능한 계산을 가능하게 하기 위해.
• 연속적 랭크 확률 점수로 측정된 예측 확률 분포의 품질을 향상시키기 위해.

제안 방법

• 소규모 스케일에서 점점 증가하는 분산을 가지는 일반화된 랜덤 필드(GRF)를 사용하여 관측 오차를 모델링하고, 날카운 실루엣을 가진 실현값을 생성한다.
• 소규모 스케일에 따라 오차의 구조를 강제하기 위해 이산화된 타원형 미분 연산자를 관측 오차 공분산 행렬로 사용한다.
• GRF의 적분 연산자의 다중 격자 해법 및 다중 해상도 근사법을 통해 확장 가능한 계산을 가능하게 한다.
• 다른 방법으로는 사전에 관측치를 스무딩하고 독립적인 오차를 가정하는 것으로, 이는 소규모 스케일에서 큰 오차를 가정하는 것과 수학적으로 동일하다.
• 성능 테스트를 위해 선형 스토케스틱 편미분 방정식에 GRF 모델을 적용한다.
• 연속적 랭크 확률 점수와 붕괴 빈도를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 관측 오차에 대한 일반화된 랜덤 필드 모델이 공간적으로 확장된 시스템에서 입자 필터 붕괴를 줄일 수 있는가?
• RQ2 GRF 모델은 안정적인 입자 필터링을 위한 필요한 앙상블 크기를 얼마나 줄일 수 있는가?
• RQ3 GRF 모델은 사후 확률 분포의 정확도와 품질에 어떤 영향을 미치는가?
• RQ4 다중 격자 해법과 같은 확장 가능한 수치 기법을 사용하여 GRF 모델을 효율적으로 구현할 수 있는가?
• RQ5 기본 입자 필터링과 비교해 GRF 모델이 연속적 랭크 확률 점수를 향상시키는가?

주요 결과

• GRF 모델은 앙상블 구성원과 관측치 간의 소규모 스케일 차이를 감소시킴으로써 입자 필터 붕괴 발생 빈도를 크게 줄였다.
• 이 방법은 안정적인 필터링을 위한 필요한 앙상블 크기를 줄이면서도 높은 정확도를 유지한다.
• 연속적 랭크 확률 점수는 최대 20% 향상되어 더 잘 校정된 예측 분포를 의미한다.
• 이산화된 타원형 미분 연산자를 공분산 행렬로 사용함으로써 다중 격자 및 다중 해상도 방법을 통해 효율적인 계산이 가능해졌다.
• 사전에 관측치를 스무딩하고 독립적인 오차를 가정하는 것은 수학적으로 GRF 모델과 동일하며 유사한 성능 향상을 얻을 수 있다.
• GRF 모델은 다른 입자 필터 개선 기법과도 호환되어 광범위한 적용 가능성을 보였다.