[论文解读] Particle Filters for Partially Observed Diffusions

Paul Fearnhead, Omiros Papaspiliopoulos+1 more|ArXiv.org|Oct 23, 2007

Bayesian Methods and Mixture Models参考文献 13被引用 7

一句话总结

本文通过利用扩散路径的精确模拟和转移密度的无偏估计，提出了一种无需时间离散化的部分观测多变量扩散过程的粒子滤波方法。核心贡献是随机权重粒子滤波器（RWPF），其利用广义泊松估计器生成无偏且为正的权重，从而实现一致滤波，并具备估计误差的中心极限定理。

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.

研究动机与目标

• 开发无需依赖时间离散化近似方法的粒子滤波方法，用于部分观测扩散过程。
• 解决连续时间滤波问题中转移密度和观测密度不可计算的问题。
• 提出一种新颖方法，利用精确模拟技术生成粒子滤波中无偏且为正的权重。
• 为所提出的滤波器建立中心极限定理，确保估计误差的渐近正态性。
• 通过理论分析和仿真结果，展示相较于基于时间离散化方法的计算优势。

提出的方法

• 提出随机权重粒子滤波器（RWPF），用无偏正估计量替代确定性权重，以估计真实权重。
• 利用广义泊松估计器构建无偏且为正的滤波权重估计，相较于原始泊松估计器提升了效率。
• 基于Beskos等（2006b）提出的扩散过程精确模拟与无偏转移密度估计方法。
• 在Pitt和Shephard（1999）提出的辅助粒子滤波框架基础上进行改进，采用用户指定的提议密度和随机权重。
• 通过拒绝采样和辅助变量技术，直接从滤波分布中模拟，实现精确模拟粒子滤波器（ESPF）。
• 引入精确传播粒子滤波器（EPPF）作为基线方法，利用精确模拟进行粒子传播，无需时间离散化。

实验结果

研究问题

• RQ1 是否可以在不进行扩散过程时间离散化的情况下实现部分观测扩散过程的粒子滤波？
• RQ2 是否可以构建无偏且为正的滤波权重估计量，以实现在连续时间模型中的一致估计？
• RQ3 在所提方法下，粒子滤波估计量的渐近分布为何？
• RQ4 所提滤波器的计算效率与基于时间离散化的方法相比如何？
• RQ5 广义泊松估计器是否能显著改善现有无偏估计器的方差与计算效率？

主要发现

• 随机权重粒子滤波器（RWPF）在效率上优于精确模拟粒子滤波器（ESPF），而ESPF又优于精确传播粒子滤波器（EPPF）。
• 广义泊松估计器相较于原始泊松估计器，在方差和计算效率方面实现了数量级的提升。
• 为所提滤波器建立了中心极限定理，表明在固定计算成本K下，估计误差以$K^{-1/2}$的速度衰减。
• 粒子滤波估计量的方差由一个递推公式（公式28）决定，该公式考虑了随机权重引入的额外变异性。
• 条件C1–C3确保了中心极限定理中极限方差的有限性，扩展了Chopin（2004）的先前结果。
• RWPF最具灵活性且最易实现，具有在所考虑模型之外更广泛应用的潜力。