[논문 리뷰] Randomized Approximations of the Image Set of Nonlinear Mappings with Applications to Filtering

Fabrizio Dabbene, Didier Henrion외 2명|arXiv (Cornell University)|2015. 07. 29.

Optimization and Variational Analysis참고 문헌 11인용 수 4

한 줄 요약

이 논문은 불확실성 하에서 비선형 사상의 이미지 집합을 근사하기 위한 랜덤 알고리즘을 제안하며, 최소 부피 다항식 초수준 집합을 사용하여 확률적으로 보장된 타이트한 근사를 달성한다. 이를 바탕으로 확률적 보장을 갖추면서도 계산 효율성이 높은 새로운 유형의 랜덤 예측-보정 필터를 설계하였으며, 수치 실험에서 전통적인 집합 이론적 및 가우시안 필터를 능가한다. 또한 비볼록, 비연결 근사도 허용한다.

ABSTRACT

The aim of this paper is twofold: In the first part, we leverage recent results on scenario design to develop randomized algorithmsfor approximating the image set of a nonlinear mapping, that is, a (possibly noisy) mapping of a set via a nonlinear function.We introduce minimum-volume approximations which have the characteristic of guaranteeing a low probability of violation, i.e.,we admit for a probability that some points in the image set are not contained in the approximating set,but this probability is kept below a pre-specified threshold.In the second part of the paper, this idea is then exploited to develop a new family of randomized prediction-corrector filters.These filters represent a natural extension and rapprochement of Gaussian and set-valued filters,and bear similarities with modern tools such as particle filters.

연구 동기 및 목표

• 불확실성 하에서 비선형 사상의 이미지 집합에 대해 계산적으로 실현 가능한, 확률적으로 보장된 근사를 개발하는 것.
• 기존의 집합 이론적 필터링을 확장하여 정확성과 계산 효율성의 균형을 맞춘 새로운 유형의 랜덤 예측-보정 필터를 도입하는 것.
• 최소 부피 다항식 초수준 집합을 사용하여 근사 집합의 볼록성 제약 조건을 완화함으로써, 비볼록 이미지 집합에 대해 더 타이트하고 더 민첩한 기술을 가능하게 하는 것.
• 가우시안 필터링과 집합 기반 필터링의 측면을 통합하는 프레임워크를 제공함으로써, 확률적 집합 기반 기술을 활용하는 것.
• 유계 노이즈와 측정 불확실성이 존재하는 비선형 동적 시스템에 대한 수치 예제를 통해 제안된 방법의 효과성을 입증하는 것.

제안 방법

• 사례 기반 랜덤 알고리즘을 사용하여 사전 지정된 위반 확률 ε을 갖는 비선형 사상의 이미지 집합 근사를 생성한다.
• 최소 부피 다항식 초수준 집합을 근사 집합으로 도입하며, 이는 비볼록 또는 비연결일 수 있어 기존의 외부 또는 내부 근사보다 더 타이트한 기술을 가능하게 한다.
• 예측 단계에서는 비선형 시스템 동역학을 통해 확률적 상태 근사를 전파하고, 보정 단계에서는 측정 노이즈 한계에서 유도된 슬래브 기반 제약 조건을 사용해 측정과 일치하지 않는 샘플을 거부한다.
• 알고리즘은 측정 방정식이 노이즈 한계 내에서 만족되는 샘플들만 선택하여 상태 근사 집합을 반복적으로 갱신함으로써 확률적 일관성을 보장한다.
• 최소 부피 근사를 계산하기 위해 준선형계획법을 활용하며, 정확성과 계산 복잡도의 균형을 맞추기 위해 다항식의 차수와 구조를 선택한다.
• 재샘플링 및 거부된 샘플의 재사용 전략을 적용하여, 특히 보정 단계에서 많은 샘플이 거부될 경우에도 충분한 샘플 수를 유지한다.

실험 결과

연구 질문

• RQ1 기존의 외부 또는 내부 근사와 비교해 랜덤 알고리즘이 비선형 사상의 이미지 집합에 대해 더 타이트하고 더 민감한 근사를 제공할 수 있는가?
• RQ2 최소 부피 다항식 초수준 집합을 어떻게 사용하여 비볼록 및 비연결 이미지 집합을 확률적 보장을 갖춰 기술할 수 있는가?
• RQ3 집합 이론적 필터링과 가우시안 필터링의 장점을 결합하면서도 계산 실현 가능성을 유지하는 랜덤 예측-보정 필터링 프레임워크를 설계할 수 있는가?
• RQ4 유계 불확실성 하에서 비선형 필터링에서 근사 타이트도, 계산 비용, 확률적 위반 확률 사이의 상호 상관 관계는 어떠한가?
• RQ5 제안된 필터의 성능은 볼록체 기반 및 가우시안 필터와 비교해 볼 때 부피와 추정 오차 측면에서 어떻게 나타나는가?

주요 결과

• 제안된 랜덤 예측-보정 필터는 볼록체 필터와 비슷하거나 더 낮은 계산 복잡도로 상태 근사 부피를 달성한다.
• 필터는 확률적 보장을 유지한다: 일부 샘플이 측정 불일치로 인해 제거되더라도 진짜 상태는 높은 확률로 근사 집합 내에 존재한다.
• 다항식 초수준 집합을 통해 비볼록 및 비연결 근사를 가능하게 하여, 볼록 외부 근사보다 더 타이트한 기술이 가능하다.
• 수치 결과는 제안된 필터의 추정 오차 범위가 때로 최악의 경우 경계를 초과하는 것으로 나타나, 낮은 확률의 사건은 의도적으로 무시됨을 보여주며, 이는 확률적 설계와 일관된다.
• 재샘플링 및 거부된 샘플의 재사용은 특히 고거부율 상황에서 알고리즘의 강건성과 샘플 효율성을 향상시킨다.
• 이 방법은 계산적으로 효율적이며 기존의 집합 이론적 방법보다 차원 증가에 더 잘 스케일링되어, 고차원 시스템에 적합하다.