⚡ electrical engineering

The Variational Approach in Filtering and Correlated Noise

El artículo demuestra que la formulación variacional clásica de Mitter y Newton falla cuando las señales y observaciones comparten ruido correlacionado debido a la singularidad mutua de las medidas, y propone un nuevo principio variacional condicional que preserva dicha estructura de correlación para recuperar la caracterización de la distribución de filtrado.

Autores originales: Sharan Srinivasan, Vijay Gupta, Harsha Honnappa

Publicado 2026-04-06

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Sharan Srinivasan, Vijay Gupta, Harsha Honnappa

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando adivinar dónde está un ladrón (el señal o signal) que se mueve por una ciudad, basándote solo en los ruidos que escuchas desde tu ventana (las observaciones o observations).

En el mundo de las matemáticas y la ingeniería, esto se llama "filtrado". El problema es que el ladrón no deja huellas perfectas; hay ruido, viento y otros factores que distorsionan lo que escuchas.

Este artículo de investigación es como un informe forense que dice: "¡Alto! El método que usábamos para resolver este caso tiene un fallo grave cuando el ladrón y el ruido comparten la misma fuente de origen".

Aquí te explico la historia paso a paso, con analogías sencillas:

1. El Método Antiguo (La receta de Mitter y Newton)

Durante años, los matemáticos usaron una "receta mágica" (llamada formulación variacional) para encontrar la mejor estimación del ladrón.

La idea: Decían: "La mejor posición del ladrón es aquella que minimiza el 'esfuerzo' o 'energía' necesario para explicar lo que escuchaste, comparado con lo que esperábamos que hiciera".
El requisito secreto: Esta receta funcionaba perfectamente solo si el ruido que afecta al ladrón y el ruido que llega a tu ventana eran independientes. Es como si el ladrón caminara por un lado de la calle y el viento soplara desde otro lado sin tocarse.
La matemática: Esto permitía usar una herramienta llamada "Teorema de Girsanov" para cambiar de perspectiva y resolver la ecuación.

2. El Problema: Cuando el Ruido es "Correlacionado"

En la vida real, a veces el ladrón y el ruido comparten la misma fuente.

La analogía: Imagina que el ladrón está montado en un barco (el ruido compartido) y tú estás en otro barco que también se mece con las mismas olas. Si el barco del ladrón se mueve, el tuyo se mueve también. No son independientes; están "pegados" por las olas.
El descubrimiento de los autores: Los autores (Srinivasan, Gupta y Honnappa) demostraron que cuando el ladrón y el ruido comparten las mismas olas (ruido correlacionado), la "receta mágica" antigua se rompe por completo.
¿Por qué? Matemáticamente, las dos posibilidades (el ladrón moviéndose con las olas vs. el ladrón moviéndose solo) se vuelven mutuamente excluyentes. Es como intentar mezclar agua y aceite: no importa cuánto intentes mezclarlos, nunca se convertirán en una sola sustancia. La probabilidad de que ocurra un escenario bajo el modelo antiguo es cero si ocurre el escenario real. La receta antigua intenta adivinar algo que, en este caso, es matemáticamente imposible de calcular.

3. La Solución: Una Nueva Receta "Condicionada"

Como la receta vieja no sirve, los autores crearon una nueva receta que funciona incluso cuando las olas son compartidas.

El cambio de estrategia: En lugar de comparar al ladrón con lo que esperábamos que hiciera (el "prior" o previo), ahora lo comparamos con un ladrón de referencia que ya sabe cómo se mueven las olas.
La analogía:
- Método viejo: "Adivina dónde está el ladrón asumiendo que camina por tierra firme, aunque escuches olas". (Esto falla).
- Nuevo método: "Asumamos que el ladrón está en un barco que se mece exactamente igual que el tuyo. Ahora, ¿qué movimiento extra (la deriva o drift) necesita hacer el ladrón para explicar lo que escuchaste?"
El resultado: Esta nueva fórmula crea un "energía" que tiene en cuenta el movimiento compartido de las olas. Si el ruido es independiente (olas separadas), la nueva fórmula se convierte automáticamente en la vieja receta. Pero si las olas están conectadas, la nueva fórmula sigue funcionando.

4. ¿Por qué es importante?

Este trabajo es crucial porque:

Advierte: Nos dice cuándo no usar las herramientas clásicas (cuando hay ruido compartido).
Innova: Ofrece una nueva herramienta matemática para sistemas donde el observador y el objeto observado están "conectados" por el mismo entorno (como en finanzas, donde los precios y el ruido del mercado a menudo se mueven juntos, o en biología).
Generaliza: Muestra que la vieja teoría era solo un caso especial de una verdad más grande y flexible.

En resumen

Imagina que intentas adivinar el destino de un barco.

Si el viento que mueve el barco es independiente del viento que mueve tu barco de observación, usas un mapa estándar (Método antiguo).
Si ambos barcos están atados a la misma marea, el mapa estándar te dirá que el barco está en un lugar imposible.
Los autores dicen: "No uses el mapa estándar. Usa un mapa que asuma que ambos barcos están atados a la marea, y luego solo calcula la diferencia".

Han demostrado que la vieja forma de pensar era ciega ante esta conexión, y han creado una nueva forma de ver el problema que funciona en todos los casos.

Aquí presento un resumen técnico detallado del artículo "The Variational Approach in Filtering and Correlated Noise" (El enfoque variacional en filtrado y ruido correlacionado) de Sharan Srinivasan, Vijay Gupta y Harsha Honnappa.

1. El Problema

El artículo aborda un problema fundamental en la teoría de filtrado no lineal: la estimación del estado de un sistema estocástico a partir de observaciones parciales y ruidosas.

Contexto: En el caso lineal gaussiano con ruido independiente, el filtro de Kalman-Bucy ofrece una solución recursiva finita. Para sistemas no lineales, Mitter y Newton [9] propusieron una formulación variacional donde la distribución de filtrado se caracteriza como el único minimizador de un funcional de energía libre (suma de la entropía relativa respecto a una medida a priori y un término de energía esperada).
Limitación Crítica: La formulación de Mitter-Newton se basa en una condición de continuidad absoluta entre la medida de trayectoria conjunta del sistema ( $P_{XY}$ ) y una medida de referencia producto ( $P_X \otimes \lambda_Y$ ). Esta condición se cumple cuando el ruido del señal ( $X$ ) y el ruido de la observación ( $Y$ ) son independientes.
El Desafío: El artículo investiga qué sucede cuando el sistema y la observación comparten una fuente de ruido común (ruido correlacionado). En este escenario, la independencia se rompe, y los autores demuestran que la formulación variacional clásica falla fundamentalmente.

2. Metodología

Los autores emplean un enfoque riguroso que combina teoría de medidas, cálculo estocástico y análisis funcional:

Análisis de la Condición de Continuidad Absoluta:
- Revisan la suposición de Mitter-Newton ( $P_{XY} \ll P_X \otimes \lambda_Y$ ).
- Utilizan un ejemplo en tiempo discreto para mostrar intuitivamente cómo la derivada de Radon-Nikodym entre la medida conjunta y la medida producto degenera en el límite continuo.
- Demuestran teóricamente que si existe una medida de referencia $\lambda_Y$ tal que $P_{XY} \ll P_X \otimes \lambda_Y$ , entonces necesariamente debe cumplirse que $P_{XY} \ll P_X \otimes P_Y$ .
Prueba de Singularidad Mutua:
- Caso Gaussiano Lineal: Utilizan el teorema de Feldman-Hájek, que establece que las medidas gaussianas en espacios de dimensión infinita son o bien equivalentes o mutuamente singulares. Demuestran que los espacios de Cameron-Martin de la medida conjunta y la medida producto son diferentes cuando hay ruido compartido, implicando que las medidas son mutuamente singulares ( $P_{XY} \perp P_X \otimes P_Y$ ).
- Caso No Lineal General: Construyen un conjunto explícito de trayectorias que tiene medida 1 bajo $P_{XY}$ y medida 0 bajo $P_X \otimes P_Y$ . Esto se logra analizando la variación cuadrática entre las trayectorias de la señal y la observación, la cual converge a un valor no nulo bajo la medida conjunta (debido al ruido compartido) pero a cero bajo la medida producto.
Desarrollo de un Nuevo Principio Variacional:
- Dado que la formulación clásica falla, proponen un principio variacional condicional.
- Reemplazan la medida a priori ( $P_X$ ) por una medida de referencia condicional ( $Q_{X|Y}$ ) que preserva la estructura de acoplamiento del ruido.
- Definen una nueva energía basada en la derivada de Radon-Nikodym entre la distribución de filtrado y esta nueva medida de referencia.

3. Contribuciones Clave y Resultados

A. Imposibilidad de la Formulación Clásica

El resultado principal es la demostración de que la formulación variacional de Mitter-Newton es inválida cuando el ruido es correlacionado.

Teorema 4.1 y Corolario 4.1.1: Se prueba que si la distribución a posteriori $P_{X|Y}$ es singular respecto a la priori $P_X$ (lo cual ocurre al compartir ruido), no existe ninguna medida de referencia $\lambda_Y$ que salve la formulación.
Teorema 5.4 y 5.6: Se establece la singularidad mutua tanto para difusiones lineales gaussianas como para el caso no lineal general bajo condiciones de regularidad (condición de Hörmander). Esto significa que no se puede expresar la densidad de filtrado como $e^{-H} dP_X$ .

B. Nueva Formulación Variacional Condicional

Los autores introducen una generalización que recupera la estructura variacional:

Suposición 6.1: Se requiere que la medida de filtrado sea absolutamente continua respecto a una medida de referencia condicional $Q_{X|Y}$ (donde $Q_Y = P_Y$ ).
Teorema 6.4: La medida de filtrado $P_{X|Y}(\cdot, y)$ es el único minimizador del funcional de energía libre:
$\min_{\tilde{P}} \left\{ h(\tilde{P} \| Q_{X|Y}(\cdot, y)) + \langle H(\cdot, y), \tilde{P} \rangle \right\}$
Donde $h$ es la entropía relativa y $H$ es la energía definida por la derivada de Radon-Nikodym.
Interpretación: A diferencia del caso independiente donde la referencia es la priori, aquí la referencia condicional $\mu_y$ codifica la dinámica del sistema "congelando" el ruido compartido en la trayectoria observada $y$ , pero eliminando los términos de deriva.

C. Aplicación a Difusiones Lineales

En el caso de difusiones lineales con ruido correlacionado:

Se define una medida de referencia $\mu_y$ que corresponde a un sistema sin deriva pero con el mismo acoplamiento de ruido.
Se obtiene una caracterización explícita de la energía libre (Ecuación 23), que incluye un término de Girsanov que ajusta la deriva del sistema.
Se demuestra que si el ruido compartido es cero ( $\sigma_1 = 0$ ), la nueva formulación se reduce exactamente a la de Mitter-Newton, validando la generalización.

4. Significado e Implicaciones

Fundamentalidad del Ruido Compartido: El trabajo aclara que la correlación de ruido no es solo una complicación técnica, sino que cambia la naturaleza topológica de las medidas de probabilidad involucradas (de equivalentes a singulares), invalidando enfoques basados en densidades simples respecto a la priori.
Nueva Estructura para el Filtrado Variacional: Proporciona un marco teórico sólido para abordar problemas de filtrado en sistemas donde la señal y la observación están acopladas estocásticamente (común en física, finanzas y biología), ofreciendo una ruta para derivar algoritmos de optimización basados en energía libre en estos contextos.
Límites y Futuro: El artículo resuelve el problema en el caso lineal gaussiano y establece las condiciones para el caso no lineal. Sin embargo, señala que extender la formulación explícita de la energía libre al caso no lineal general sigue siendo un problema abierto, ya que la construcción de la medida de referencia condicional adecuada es más compleja fuera del ámbito lineal.

En resumen, el artículo demuestra que la intuición clásica de filtrado variacional falla ante el ruido correlacionado y propone una solución teórica elegante que reemplaza la "priori" por una "referencia condicional", restaurando así la capacidad de caracterizar el filtro como un minimizador de energía libre.