技術的概要：スコア・カルマンフィルタ

問題定義

非線形ベイズフィルタリングは、システムダイナミクスが非線形であり、その結果生じる信念分布が非ガウス的（偏り、曲率、または多峰性など）である場合、信念分布を表現する上で中心的な障壁に直面する。ガウスフィルタ（EKF、UKF、EnKF）は効率的であるが、これらの複雑な密度形状を表現することはできない。粒子フィルタは任意の密度を表現できるが、収束に必要な粒子数が膨大であるため、高い計算コストという欠点がある。

有望な代替手段として、モーメントベースのフィルタリングがある。これは信念密度のモーメントを伝播させ、それらから密度を再構成するものである。最近のアプローチ、例えば最大エントロピー（MaxEnt）モーメントフィルタは、これらの密度を表現するために多項式指数分布族を利用する。しかし、これらの手法は、伝播されたモーメントに分布パラメータを適合させるために、分配関数 $Z(\lambda)$ とその勾配の評価を必要とする。これらの評価は $n$ 次元積分を伴い、コストは指数関数的に増加（$O(G^n)$）するため、実証された応用は低次元システム（$n \le 4$）に限定されている。

手法

本論文は、スコアマッチングとシュタインの恒等式を組み合わせることで、分配関数の評価を不要とする**スコア・カルマンフィルタ（SKF）**を提案する。このアプローチは線形代数のみで動作し、数値積分や反復最適化を回避する。

1. 密度再構成のためのスコアマッチング

エントロピー最大化（これには $Z(\lambda)$ が必要）の代わりに、SKF は伝播されたモーメントを用いて、多項式指数分布族モデル $p(x; \lambda) \propto \exp(-\lambda \cdot \phi(x))$ をスコアマッチングで適合させる。

• メカニズム: スコア関数 $s(x; \lambda) = \nabla_x \log p(x; \lambda)$ は正規化定数 $Z$ に依存しない。モデルのスコアとデータのスコアとの間のフィッシャー発散を最小化することで、目的関数は $\lambda$ に関する二次形式に簡約される。
• 結果: 最適パラメータ $\lambda^*$ は、行列 $A$ とベクトル $b$ が伝播されたモーメントから直接構成される単一の線形方程式系 $A\lambda = b$ を解くことで得られる。これにより、密度適合のコストは $O(M^3)$（ここで $M$ は基底関数の数）に削減され、次元 $n$ に対する指数関数的なスケーリングが除去される。
• 理論的保証: 定理 1 は、真の密度が多項式指数分布族に含まれる場合、スコアマッチングは MaxEnt 解と同等の正確なパラメータを回復することを示している。

2. モーメント階層のためのシュタイン閉じ

非線形システムの場合、モーメント伝播方程式（ドイニキンの公式から導出）は閉じない。高次モーメントはさらに高次のモーメントに依存する。

• メカニズム: SKF は、スコア係数 $\lambda$ によってパラメータ化された異なる次数のモーメント間の代数的関係を提供するシュタインの恒等式を利用する。
• 適用: 予測ステップにおいて、シュタインの恒等式を用いて、閉じていない高次モーメントを低次モーメントと現在の $\lambda$ で表現する。この「シュタイン閉じ」により、ガウス性を仮定したり $Z$ を評価したりすることなく、モーメント階層を閉じることができる。
• アクティブ閉じ: 構造化されたシステム（例：結合振動子）の場合、この手法はシステム生成器が要求する特定のモーメントにのみ閉じを制限することができ、高次元における計算効率を維持する。

3. ベイズ更新とモーメント回復

• 更新: ガウスノイズを伴う多項式測定モデルの場合、尤度スコアは多項式となる。事後スコアパラメータは、情報形式カルマン更新に類似して、単純な加算 $\lambda^+ = \lambda^- + \lambda_{lik}$ によって更新される。
• 回復: 更新後、事後モーメントはシュタインの恒等式から導出された線形方程式系を解くことで、新しいパラメータ $\lambda^+$ から回復され、再び $Z$ を回避する。
• 一貫性: 回復されたモーメントと更新されたパラメータとの間の相互一貫性を確保するために、反復的な精緻化ステップを適用できる。

4. 特殊ケース

本論文は、多項式次数 $r=2$ の場合、SKF が古典的な情報形式カルマンフィルタに厳密に帰着することを示しており、これを線形ガウスケースの厳密な一般化として確立している。

主要な貢献

1. スコアマッチングによる再構成: 著者らは、多項式指数分布族において、スコアマッチングが密度適合を伝播されたモーメントに対する単一の線形方程式求解に還元し、分配関数の評価、反復最適化、または数値積分の必要性を排除することを示した。
2. シュタイン閉じと事後回復: 本論文は、スコアマッチング係数によってパラメータ化されたシュタインの恒等式を用いて、モーメント階層を閉じ、事後モーメントを回復する手法を導入した。両方のステップは線形方程式求解として定式化される。
3. スコア・カルマンフィルタ（SKF）: 予測 - 更新ループのすべてのステップを線形代数によって実行する完全なフィルタリングアルゴリズムが導入された。
4. スケーラビリティと性能: SKF は結合振動子ネットワークで評価され、$n=20$ まで成功裏にスケーリングされた。合成ベンチマークにおいて、EKF、UKF、EnKF、および 50 万粒子のブートストラップフィルタよりも低い平均二乗誤差（RMSE）を報告した。
5. 理論的回復: 本論文は、SKF が $r=2$ において情報形式カルマンフィルタを厳密に回復することを検証した。

実験結果

著者らは SKF をいくつかのシステムでベンチマークした。

• SE(2) 剛体運動学: 線形ドリフトと拡散（$\bar{d}=0$）の場合、SKF はモンテカルロ（MC）参照値と 0.5% 以内で一致する。$r=4$ におけるスコアマッチングは、ガウス適合では見逃される非ガウス的な曲がった形状を成功裡に捉える。
• 確率的ロトカ・ヴォルテラダイナミクス: 二線形相互作用（$\bar{d}=1$）の場合、シュタイン閉じを備えた SKF は、MC 分散と 0.065% 以内、高次モーメントと 2〜7% 以内で一致する。
• 結合ダフィング振動子: 高次元設定（$n=2N$、最大 $n=20$）において、SKF は平均 RMSE の点で EKF、UKF、EnKF、および 50 万粒子のブートストラップフィルタを一貫して上回った。ガウスフィルタは同様の誤差帯に収束しており、これは更新則ではなくガウス近似に起因する制限であることを示唆している。
• 計算効率: 単一のラップトップ CPU において、$n=10$ に対する SKF の実行時間（41 秒）は、50 万粒子の PF（312 秒）よりも著しく低かった。この手法は、MEM-KF などの MaxEnt ベースのアプローチが要求する分配関数評価の指数関数的コストを回避し、$n > 4$ に対しては計算不可能となる問題を解決する。

意義と主張

本論文は、SKF が分配関数不要な高次モーメントフィルタリングへの経路を提供すると主張している。分配関数の評価における指数関数的コストを、多項式コストの線形方程式求解に置き換えることで、この手法は商用ハードウェア上で高次元システム（$n=20$）に対する非線形ベイズフィルタリングを実用的にする。

著者らは、SKF を、効率的だが非ガウス的信念に対して不正確なガウスフィルタと、正確だが高コストな粒子フィルタの中間として位置づけている。この手法は、モーメントベースアプローチの計算上の利点を維持しつつ、以前にそれらを低次元に制限していた主要なボトルネック（分配関数の評価）を克服する。本論文は控えめに、この手法は多峰性や偏りをよく処理する一方で、モーメント伝播が有用であるためにはダイナミクスとノイズ統計が十分に正確であるという仮定を置いていること、そしてモデルの誤指定を本質的に解決するものではないことを指摘している。