[논문 리뷰] Sequential Monte Carlo algorithms for a class of outer measures

Jérémie Houssineau, Branko Ristić|arXiv (Cornell University)|2017. 08. 22.

Target Tracking and Data Fusion in Sensor Networks참고 문헌 23인용 수 11

한 줄 요약

이 논문은 외측 측도를 사용하여 지식적 불확실성을 모델링하는 새로운 순차 몽테카를로(SMC) 프레임워크를 소개한다. 입자들은 확률 밀도 함수가 아니라 가능성 함수를 근사하기 위한 지지점으로 표현된다. 모델가정 오류가 있는 상황에서, 특히 사전 지식이 다수의 가능한 동역학적 행동을 포함할 경우, 기존 입자 필터보다 뛰어난 성능을 보인다.

ABSTRACT

Closed-form stochastic filtering equations can be derived in a general setting where probability distributions are replaced by some specific outer measures. In this article, we study how the principles of the sequential Monte Carlo method can be adapted for the purpose of practical implementation of these equations. In particular, we explore how sampling can be used to provide support points for the approximation of these outer measures. This step enables practical algorithms to be derived in the spirit of particle filters. The performance of the obtained algorithms is demonstrated in simulations and their versatility is illustrated through various examples.

연구 동기 및 목표

• 확률 분포를 일반화하는 외측 측도의 일군을 사용하여 실용적인 SMC 기반의 확률적 필터링 알고리즘을 개발한다.
• 외측 측도로부터 유도된 폐형 필터링 재귀식을 실세계 응용에 구현하는 데 도전하는 문제를 해결한다.
• 가능성 함수와 가중치가 부여된 입자를 활용하여 모델 불확실성 하에서 강건한 추정을 가능하게 한다.
• 모델 불확실성 또는 모델 오류가 존재할 경우, 제안된 방법의 유연성과 성능 향상을 입증한다.

제안 방법

• 표본을 외측 측도의 기초가 되는 가능성 함수를 근사하기 위한 지지점으로 간주하는 방식으로 부트스트랩 입자 필터 프레임워크를 변형한다.
• 입자 위치가 아닌 가중치가 정보를 표현하는 방식으로 가중치가 부여된 입자를 사용하며, 이는 표준 SMC와 근본적으로 다릅니다.
• 최대값의 함수적 적분을 사용하여 완전한 무지에서 정확한 확률 지식에 이르기까지 스펙트럼을 이루는 외측 측도의 클래스를 정의한다.
• 다양한 가능성 함수를 조합하여 시스템 역학에 대한 애매하거나 경쟁적인 가설을 표현하는 다가능성 필터를 도입한다.
• 외측 측도 재귀식에 맞게 조정된 재표본화 및 전파 단계를 적용하여 가능성 기반 불확실성 전파의 구조를 유지한다.
• 가중치가 부여된 입자 집합을 통한 외측 측도의 경험적 근사를 사용하여 필터링 방정식의 수치적 구현을 가능하게 한다.

실험 결과

연구 질문

• RQ1 순차 몽테카를로 방법을 확률 측도 대신 외측 측도를 전파하는 데에 적응시킬 수 있는가?
• RQ2 샘플링을 통해 가능성 함수를 근사하는 방식은 실용적인 필터링 알고리즘을 지원할 수 있는가?
• RQ3 모델 불확실성 또는 오류가 존재할 경우, SMC에 외측 측도를 사용함으로써 어떤 성능 향상이 있는가?
• RQ4 모델 불일치 상황에서 제안된 방법은 표준 입자 필터에 비해 내구성과 정확성 측면에서 어떻게 비교되는가?
• RQ5 이 프레임워크는 다수의 경쟁 가능한 가능성 함수를 동시에 처리하여 역학 시스템의 지식적 불확실성을 표현할 수 있는가?

주요 결과

• 스테ュ던트의 t-분포 잡음이 존재하는 선형-정규 분포 시나리오에서, 진짜 잡음 분포가 비정규일 경우 가능성 필터가 입자 필터보다 우수한 성능을 보였다.
• 스피닝 디스크 시나리오에서 진짜 모델이 알려져 있고 정규 분포일지라도, 다가능성 필터는 입자 필터보다 더 낮은 RMSE를 달성했다.
• 가능성 필터의 글로벌/로컬 구현은 모든 테스트 샘플 크기에서 강력한 성능을 유지했으며, 표준 입자 필터보다 내구성이 뛰어났다.
• 250개의 샘플과 1000회의 몬테카를로 시행에서, 이중모드 사후 분포 시나리오에서 모든 시간 단계에서 다가능성 필터가 일관되게 낮은 추정 오차를 보였다.
• 예를 들어 시계방향 또는 반시계방향 회전에 대한 사전의 애매함을 다수의 가능성 함수를 하나의 외측 측도로 조합함으로써 효과적으로 다룰 수 있었다.
• 이 프레임워크는 기저 확률 측도나 함수에 대한 강력한 가정 없이도 모델 불일치 상황에서도 강건한 필터링을 가능하게 한다.