[论文解读] On Coupling Particle Filter Trajectories

Deborshee Sen, Alexandre H. Thiéry+1 more|arXiv (Cornell University)|Jun 3, 2016

Bayesian Modeling and Causal Inference参考文献 55被引用 4

一句话总结

本文提出了一种新颖的方法，通过使用正则化最优传输近似来高效耦合粒子滤波轨迹，相较于标准方法（如最大耦合），显著提升了计算效率。通过利用最近邻搜索来降低最优传输映射的计算成本，该方法在状态空间模型中估计delta对数似然时，性能最高可提升三个数量级。

ABSTRACT

Particle filters are a powerful and flexible tool for performing inference on state-space models. They involve a collection of samples evolving over time through a combination of sampling and re-sampling steps. The re-sampling step is necessary to ensure that weight degeneracy is avoided. In several situations of statistical interest, it is important to be able to compare the estimates produced by two different particle filters; consequently, being able to efficiently couple two particle filter trajectories is often of paramount importance. In this text, we propose several ways to do so. In particular, we leverage ideas from the optimal transportation literature. In general, though, computing the optimal transport map is extremely computationally expensive; to deal with this, we introduce computationally tractable approximations to optimal transport couplings. We demonstrate that our resulting algorithms for coupling two particle filter trajectories often perform orders of magnitude more efficiently than more standard approaches.

研究动机与目标

• 为解决在不同参数值或模型之间高效比较粒子滤波估计的挑战。
• 提升耦合两条粒子滤波轨迹的计算效率，特别是在需要重复进行似然评估的场景中。
• 降低基于最优传输的耦合方法在高维空间中的计算成本，这些方法通常在高维下难以处理。
• 开发一种实用且可扩展的粒子滤波耦合算法，优于标准方法（如最大耦合）。
• 使复杂模型（如随机化学动力学和隐马尔可夫模型）中的推理更加高效。

提出的方法

• 作者提出一种正则化最优传输耦合方法，用于对齐来自两个独立粒子滤波器的粒子轨迹。
• 通过KD树进行快速最近邻搜索，近似粒子集之间的最优传输映射，从而降低计算复杂度。
• 引入正则化参数λ以稳定耦合过程并提高数值鲁棒性。
• 通过使用正则化传输映射，在标准自举粒子滤波中耦合重采样步骤。
• 该方法被应用于合成模型和真实世界模型，包括一个包含8个反应速率的原核生物自调控模型。
• 当有效样本量降至N/2以下时，采用自适应重采样以维持粒子多样性。

实验结果

研究问题

• RQ1 与标准方法相比，基于最优传输的粒子滤波轨迹耦合是否能显著减少计算低效？
• RQ2 在实际粒子滤波应用中，如何缓解最优传输的高计算成本？
• RQ3 正则化在多大程度上提升了粒子轨迹耦合的稳定性和效率？
• RQ4 所提出的方法在跨参数值估计delta对数似然时，是否能优于最大耦合？
• RQ5 该方法在高维状态空间中的可扩展性如何？在粒子范围差异较大时，可能需要何种预处理？

主要发现

• 在原核生物自调控模型中，所提算法的计算效率相比最大耦合最高可提升三个数量级。
• 正则化最优传输耦合显著降低了在不同参数差异下对delta对数似然估计的方差。
• 通过KD树进行最近邻搜索，使传输映射的计算可扩展，实际复杂度为O(Nd log N)。
• 即使粒子集的范围不同，该方法仍保持鲁棒性，但在这种情况下可能需要使用马氏距离等替代度量。
• 与使用共享随机种子的标准耦合方法相比，该算法在高维或复杂模型中表现更优。
• 实证结果表明，该方法在多个模型中（包括隐马尔可夫模型和随机动力学过程）均展现出一致的效率提升。