[论文解读] On the two-filter approximations of marginal smoothing distributions in general state space models

Thi Ngoc Minh Nguyen, Sylvain Le Corff+1 more|arXiv (Cornell University)|May 27, 2016

Target Tracking and Data Fusion in Sensor Networks参考文献 40被引用 6

一句话总结

本文针对一般非线性、非高斯状态空间模型中的边际平滑分布近似，提供了两种滤波器算法的非渐近理论分析。通过结合前向滤波器与后向信息滤波器，该方法在实现线性计算复杂度的同时，建立了相应粒子估计器的集中不等式与中心极限定理。

ABSTRACT

A prevalent problem in general state space models is the approximation of the smoothing distribution of a state conditional on the observations from the past, the present, and the future. The aim of this paper is to provide a rigorous analysis of such approximations of smoothed distributions provided by the two-filter algorithms. We extend the results available for the approximation of smoothing distributions to these two-filter approaches which combine a forward filter approximating the filtering distributions with a backward information filter approximating a quantity proportional to the posterior distribution of the state given future observations.

研究动机与目标

• 为一般状态空间模型中的边际平滑提供两种滤波器算法的非渐近理论分析。
• 将现有理论保证（如集中不等式与中心极限定理）从标准粒子平滑器扩展至两滤波方法。
• 分析结合前向滤波与后向信息滤波的两滤波方法在粒子数上线性复杂度下的性能表现。
• 在较弱正则性条件下，建立平滑期望估计器的渐近正态性与偏差界。

提出的方法

• 该方法结合一个前向粒子滤波器，用于近似过滤分布 φχ,s，以及一个后向信息滤波器，用于近似与给定未来观测的后验分布成比例的量。
• 采用重要性重采样与马尔可夫核驱动的粒子传播的顺序蒙特卡洛（SMC）方法，以维持粒子权重与轨迹。
• 两滤波方法存储祖先谱系，并通过后向抽样重构平滑分布，从而避免路径退化。
• 理论分析依赖于三角阵列不变性原理与依赖粒子系统的鞅中心极限定理。
• 关键组成部分包括归一化权重 ˜ωi s|T 与 ˇωj t|T，以及通过提议机制进行重要性抽样，以确保线性复杂度。
• 分析基于假设 A1–A3，包括有界转移密度与重要性权重的可积性，推导出收敛结果。

实验结果

研究问题

• RQ1 在非线性、非高斯状态空间模型中，两滤波算法在近似边际平滑分布方面的表现如何？
• RQ2 两滤波估计器在平滑期望上的非渐近集中性质是什么？
• RQ3 两滤波方法是否实现渐近正态性？估计器的极限方差是多少？
• RQ4 两滤波方法能否在避免路径退化的同时保持线性计算复杂度？
• RQ5 两滤波方法的理论保证（集中性与 CLT）与标准粒子平滑器相比如何？

主要发现

• 两滤波算法的计算复杂度随粒子数 N 线性增长，避免了传统 FFBS 方法的 N² 复杂度。
• 本文建立了两滤波估计器的中心极限定理（CLT），表明 N^{1/2} 倍的估计误差依分布收敛于具有明确定义极限方差的正态分布。
• 推导出集中不等式，表明在假设 A1–A3 下，估计器与真实平滑期望的偏差随 N 指数衰减。
• 估计器的极限方差通过涉及前向滤波器与后向滤波器的递归表达式表征，Γχ,s 与 ˇΓγ,t|T 有显式形式。
• 分析证实，两滤波方法通过解耦前向与后向传播，避免了路径退化，而这是“穷人平滑器”所不具备的。
• 通过使用指数偏差界与 Slutsky 引理，理论结果在弱正则性条件下得到验证，确保了稳健性。