[논문 리뷰] Particle Filters for Partially Observed Diffusions

Paul Fearnhead, Omiros Papaspiliopoulos외 1명|ArXiv.org|2007. 10. 23.

Bayesian Methods and Mixture Models참고 문헌 13인용 수 7

한 줄 요약

이 논문은 정확한 미분 경로 시뮬레이션과 전이 밀도의 불편 추정을 활용하여 시간 이산화 없이 부분 관측 다변량 확산 과정을 위한 입자 필터를 제안한다. 핵심 기여는 무작위 가중치 입자 필터(RWPF)로, 일반화된 포아송 추정기(Generalised Poisson Estimator)를 사용하여 편향이 없고 양수인 가중치를 생성함으로써, 중심극한정리에 기반한 추정 오차 분석이 가능한 일관된 필터링을 가능하게 한다.

ABSTRACT

In this paper we introduce a novel particle filter scheme for a class of partially-observed multivariate diffusions. %continuous-time dynamic models where the %signal is given by a multivariate diffusion process. We consider a variety of observation schemes, including diffusion observed with error, observation of a subset of the components of the multivariate diffusion and arrival times of a Poisson process whose intensity is a known function of the diffusion (Cox process). Unlike currently available methods, our particle filters do not require approximations of the transition and/or the observation density using time-discretisations. Instead, they build on recent methodology for the exact simulation of the diffusion process and the unbiased estimation of the transition density as described in \cite{besk:papa:robe:fear:2006}. %In particular, w We introduce the Generalised Poisson Estimator, which generalises the Poisson Estimator of \cite{besk:papa:robe:fear:2006}. %Thus, our filters avoid the systematic biases caused by %time-discretisations and they have significant computational %advantages over alternative continuous-time filters. These %advantages are supported theoretically by a A central limit theorem is given for our particle filter scheme.

연구 동기 및 목표

• 시간 이산화 근사에 의존하지 않는 부분 관측 확산 과정을 위한 입자 필터링 방법을 개발하기 위해.
• 연속 시간 필터링 문제에서 전이 밀도와 관측 밀도의 비가역성 문제를 해결하기 위해.
• 정확한 시뮬레이션 기법을 사용하여 불편하고 양수인 가중치를 생성하는 새로운 방법을 제안하기 위해.
• 제안된 필터에 대해 중심극한정리를 확립하여 추정 오차의 점근 정규성을 보장하기 위해.
• 이론적 및 시뮬레이션 결과를 통해 시간 이산화 기반 방법에 비해 계산적 우수성을 입증하기 위해.

제안 방법

• 정규화된 가중치를 무작위로 추정하는 불편한 양수 추정기로 대체하는 무작위 가중치 입자 필터(RWPF)를 제안한다.
• 일반화된 포아송 추정기를 사용하여 필터링 가중치의 불편하고 양수인 추정치를 구성함으로써, 원래의 포아송 추정기 대비 효율성을 향상시킨다.
• Beskos 등(2006b)의 정확한 알고리즘을 기반으로 한 확산 시뮬레이션과 불편 전이 밀도 추정 기법을 활용한다.
• Pitt와 Shephard(1999)의 보조 입자 필터 프레임워크를 변형하여 사용자 지정 제안 밀도와 무작위 가중치를 사용한다.
• 거부 샘플링과 보조 변수를 활용하여 정확한 시뮬레이션 입자 필터(ESPF)에서 필터링 분포로부터 직접 시뮬레이션을 수행한다.
• 시간 이산화 없이 정확한 시뮬레이션을 사용하여 입자 전파를 수행하는 기준선으로 정확한 전파 입자 필터(EPPF)를 도입한다.

실험 결과

연구 질문

• RQ1 부분 관측 확산 과정에 대한 입자 필터링은 확산 과정의 시간 이산화 없이 수행될 수 있는가?
• RQ2 연속 시간 모델에서 일관된 추정을 가능하게 하기 위해 필터링 가중치의 불편하고 양수인 추정기를 구성할 수 있는가?
• RQ3 제안된 방법 하에서 입자 필터 추정치의 점근 분포는 무엇인가?
• RQ4 제안된 필터의 계산 효율성은 시간 이산화 기반 방법과 비교해 어떻게 되는가?
• RQ5 일반화된 포아송 추정기는 기존의 불편 추정기 대비 분산과 계산 효율성을 크게 향상시킬 수 있는가?

주요 결과

• 무작위 가중치 입자 필터(RWPF)는 정확한 시뮬레이션 입자 필터(ESPF)보다 효율적이며, 이는 정확한 전파 입자 필터(EPPF)보다도 더 효율적임이 입증되었다.
• 일반화된 포아송 추정기는 원래의 포아송 추정기 대비 분산과 계산 효율성을 최대 수십 배 이상 향상시킨다.
• 제안된 필터에 대해 중심극한정리를 확립하여, 고정된 계산 비용 $K$에서 추정 오차가 $K^{-1/2}$ 속도로 감소함을 보였다.
• 입자 필터 추정치의 분산은 추가적인 변동성(무작위 가중치에 기인)을 고려하는 재귀 공식(식 28)에 의해 결정된다.
• 중앙극한정리에서 한계 분산의 유한성을 보장하기 위해 조건 C1–C3를 도입하였으며, 이는 Chopin(2004)의 결과를 확장한 것이다.
• RWPF는 가장 유연하고 구현이 용이하여 고려된 특정 모델 외에도 광범위한 응용 가능성이 있다.