[论文解读] The Alive Particle Filter

Ajay Jasra, Anthony Lee+2 more|arXiv (Cornell University)|Mar 31, 2013

Target Tracking and Data Fusion in Sensor Networks参考文献 12被引用 14

一句话总结

本文提出了一种名为 Alive Particle Filter 的新算法，用于处理具有指示函数势的费曼-卡克斯模型——这类模型常见于隐马尔可夫模型的近似贝叶斯计算（ABC）以及罕见事件问题中。该方法通过不断重采样，直到恰好有固定数量的粒子‘存活’（即落入目标集合），从而防止粒子滤波器的崩溃。该方法确保了归一化常数的无偏估计，并提供了时间一致的 Lp 有界性与中心极限定理，即使每步计算成本随机，也能实现稳健的粒子 MCMC 推断。

ABSTRACT

In the following article we develop a particle filter for approximating Feynman-Kac models with indicator potentials. Examples of such models include approximate Bayesian computation (ABC) posteriors associated with hidden Markov models (HMMs) or rare-event problems. Such models require the use of advanced particle filter or Markov chain Monte Carlo (MCMC) algorithms e.g. Jasra et al. (2012), to perform estimation. One of the drawbacks of existing particle filters, is that they may 'collapse', in that the algorithm may terminate early, due to the indicator potentials. In this article, using a special case of the locally adaptive particle filter in Lee et al. (2013), which is closely related to Le Gland & Oudjane (2004), we use an algorithm which can deal with this latter problem, whilst introducing a random cost per-time step. This algorithm is investigated from a theoretical perspective and several results are given which help to validate the algorithms and to provide guidelines for their implementation. In addition, we show how this algorithm can be used within MCMC, using particle MCMC (Andrieu et al. 2010). Numerical examples are presented for ABC approximations of HMMs.

研究动机与目标

• 解决标准粒子滤波器在费曼-卡克斯模型中使用指示函数势时出现的崩溃问题。
• 开发一种粒子滤波器，确保在每个时间步均有固定数量的粒子保持‘存活’（即位于目标集合中），避免因权重为零的粒子导致终止。
• 为该新算法在指示函数势背景下建立理论保证——包括时间一致的 Lp 有界性、中心极限定理与无偏性。
• 通过确保归一化常数的无偏估计，实现可靠的粒子 MCMC 推断，尤其适用于 HMM 的 ABC 近似。
• 通过理论分析相对方差随 O(n) 粒子数的增长规律，提供实现指南。

提出的方法

• 该算法使用马尔可夫核顺序生成粒子，直到恰好有 N 个粒子落入目标集合 Bn，从而确保不会发生崩溃。
• 采用负二项分布采样机制，对达到 N 个存活粒子所需的随机重采样次数进行建模。
• 证明了粒子滤波器估计量 ηnTn(φ) 在给定动力学下对费曼-卡克斯边缘量 ηn(φ) 的无偏性。
• 利用全期望公式推导条件期望，并根据存活粒子与死亡粒子的比例调整权重。
• 理论分析借助 Neuts & Zacks (1967) 和 Zacks (1980) 关于负二项分布随机变量比值期望的结果。
• 该方法被嵌入粒子 MCMC（PMCMC）框架中，从而实现 ABC-HMM 中静态参数的推断。

实验结果

研究问题

• RQ1 能否设计一种粒子滤波器，以防止在费曼-卡克斯模型中使用指示函数势时发生崩溃？
• RQ2 所提出的算法是否能保持对归一化常数 γn(φ) 的无偏估计？
• RQ3 在该新型重采样方案下，粒子滤波器估计量的时间一致 Lp 收敛性质如何？
• RQ4 假设 N = O(n)，估计量 γn(φ) 的相对方差如何随时间 n 增长？
• RQ5 该算法能否成功集成到粒子 MCMC 框架中，用于 ABC-HMM 的贝叶斯推断？

主要发现

• 粒子滤波器估计量 ηnTn(φ) 对费曼-卡克斯边缘量 ηn(φ) 是无偏的，这是实现有效 MCMC 推断的关键性质。
• 为粒子滤波器对 ηn(φ) 的估计建立了时间一致的 Lp 有界性，确保了时间上的稳定性。
• 证明了对适当归一化和中心化后的粒子滤波器估计量的中心极限定理，验证了其渐近正态性。
• 当 N = O(n) 时，估计量 γn(φ) 的相对方差随 n 线性增长，表明误差增长受到控制。
• 该方法是 Lee 等人 (2013) 提出的局部自适应粒子滤波器的一个特例，其理论保证在 Le Gland & Oudjane (2006) 的工作中未被涵盖，尤其是 γn(φ) 估计的无偏性。
• 该方法通过确保边缘似然的无偏估计，使粒子 MCMC 推断更加稳健，这对有效后验抽样至关重要。