📊 statistics

Nonlinear filtering based on density approximation and deep BSDE prediction

Dit artikel introduceert een nieuwe benaderde Bayesiaanse filter die gebruikmaakt van een niet-lineaire Feynman-Kac-representatie en een deep BSDE-methode met neurale netwerken om de filtratiedichtheid offline te trainen voor online toepassing, waarbij de theoretische convergentie onder een parabolische Hörmander-voorwaarde wordt bewezen en numeriek gevalideerd.

Oorspronkelijke auteurs: Kasper Bågmark, Adam Andersson, Stig Larsson

Gepubliceerd 2026-04-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Kasper Bågmark, Adam Andersson, Stig Larsson

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een spookauto te volgen in een mistige stad. Je ziet de auto niet direct, maar je krijgt af en toe een vaag signaal: "De auto was net bij de bakker" of "De auto is waarschijnlijk bij het station". De auto zelf beweegt echter heel willekeurig, alsof hij door een storm wordt rondgewaaid.

Je taak is om op elk moment te weten: Waar is de auto nu precies? En niet alleen de plek, maar ook hoe zeker je bent van die plek. Dit noemen wetenschappers het "filterprobleem".

Dit artikel beschrijft een nieuwe, slimme manier om dit probleem op te lossen, zelfs als de situatie heel complex is (veel variabelen, niet-lineaire bewegingen). Hier is de uitleg in simpele taal:

1. Het oude probleem: De "Curse of Dimensionality"

Vroeger gebruikten mensen twee hoofdmethodes:

De Kalman-filter: Dit werkt als een strakke, lineaire regel. Het is geweldig als de auto in een rechte lijn rijdt. Maar als de auto slingeren, remmen en versnellen doet op een onvoorspelbare manier, faalt deze methode.
De Deeltjes-filter (Particle Filter): Dit is alsof je duizenden mensen de stad in stuurt om te gokken waar de auto is. Als je maar een paar mensen hebt, mis je de auto. Als je er miljoenen nodig hebt om zeker te zijn, wordt het te duur en te traag. Dit heet de "vloek van de dimensie": hoe complexer de wereld, hoe meer rekenkracht je nodig hebt, tot het onmogelijk wordt.

2. De nieuwe oplossing: Een "Deep Learning" voorspeller

De auteurs van dit paper hebben een nieuwe methode bedacht die een combinatie is van wiskunde en kunstmatige intelligentie (Deep Learning). Ze noemen het een filter dat werkt op basis van dichtheid en diepe vergelijkingen.

Hier is hoe het werkt, met een analogie:

Stap 1: De Voorspelling (De "Gok")

Stel je voor dat je een super-slimme voorspeller hebt die weet hoe de auto zich gedraagt in de mist.

In plaats van duizenden mensen de stad in te sturen, gebruiken ze een Neuraal Netwerk (een soort computerhersenen).
Dit netwerk leert eerst "offline" (in een rustige kamer) hoe de auto zich gedraagt. Het leert een complexe wiskundige formule (een Backward Stochastic Differential Equation of BSDE) na te bootsen.
De analogie: Het is alsof je een robot traint om een heel moeilijk puzzelstukje te leggen. De robot leert de patronen van de mist en de beweging van de auto zonder dat hij de auto echt hoeft te zien.

Stap 2: De Update (De "Realiteit")

Als er een nieuw signaal binnenkomt ("De auto was bij de bakker"), past de robot zijn voorspelling direct aan.

Omdat de robot al weet hoe de auto beweegt, hoeft hij niet opnieuw te rekenen. Hij past gewoon zijn "gok" aan op basis van het nieuwe bewijs.
Dit gebeurt heel snel, zelfs als de auto zich heel raar gedraagt (niet-lineair).

3. Waarom is dit zo speciaal?

De grote kracht van deze methode is dat hij niet vastloopt in complexiteit.

Bij de oude methodes (de duizenden mensen) zou je duizenden keren meer rekenkracht nodig hebben als je de stad groter maakt (meer straten, meer auto's).
Bij deze nieuwe methode blijft het netwerk slim genoeg om de complexiteit aan te kunnen, zelfs in een heel grote, chaotische stad. Het "leert" de structuur van het probleem in plaats van alles uit te rekenen.

4. Wat hebben ze bewezen?

De auteurs hebben niet alleen een slimme code geschreven, ze hebben ook wiskundig bewezen dat het werkt.

Ze hebben laten zien dat als je de tijd in kleinere stukjes verdeelt (finere discretisatie), de fout kleiner wordt.
Ze hebben een "veiligheidsnet" (een foutgrens) berekend. Zelfs als je niet 100% zeker bent, weten ze precies hoeveel je kunt vertrouwen op het resultaat.
In hun tests (met simpele voorbeelden) zagen ze dat de methode inderdaad sneller en nauwkeuriger werd naarmate ze meer rekenstappen gebruikten, precies zoals de theorie voorspelde.

Samenvatting in één zin

Stel je voor dat je een spookauto volgt in de mist: in plaats van duizenden zoekers te sturen die vastlopen in de chaos, train je één super-slimme computer die de patronen van de chaos heeft geleerd, zodat hij de auto kan voorspellen en volgen, hoe complex de situatie ook is.

Waarom is dit nuttig?
Dit kan gebruikt worden voor alles wat moeilijk te volgen is: van het voorspellen van de beurs (waar de "auto" heel chaotisch beweegt) tot het lokaliseren van robots in ruïnes of het volgen van ziektes in een populatie. Het maakt het mogelijk om complexe systemen te begrijpen waar oude methodes te traag of onnauwkeurig voor waren.

Titel: Nonlineair Filteren Gebaseerd op Densiteitbenadering en Deep BSDE Voorspelling

Auteurs: Kasper Bågmark, Adam Andersson, en Stig Larsson

1. Het Probleem

Het artikel adresseert het Bayesiaanse filterprobleem voor hybride systemen, waarbij een continue-tijd toestandsvergelijking wordt gekoppeld aan discrete-tijd metingen.

Systeem: De toestand $S_t$ evolueert volgens een Stochastische Differentiaalvergelijking (SDE) met niet-lineaire drift en diffusie.
Observaties: Discrete metingen $O_k$ worden gedaan op tijdstippen $t_k$ , waarbij de metingen een niet-lineaire functie van de toestand zijn, verstoord door additief ruis.
Doel: De conditionele verdeling (dichtheid) van de latente toestand $S_{t_k}$ gegeven de observaties $O_{1:k}$ schatten.
Uitdaging: Klassieke methoden zoals de Kalman-filter werken alleen goed bij lineaire/Gaussische systemen. Niet-lineaire methoden zoals Partikelfilters (Sequential Monte Carlo) lijden onder de vloek van de dimensionaliteit: de rekentijd en variabiliteit groeien exponentieel met de dimensie van de toestandruimte, waardoor ze onbruikbaar worden voor hoge dimensies.

2. Methodologie

De auteurs introduceren een nieuw benaderingskader dat de Fokker-Planck vergelijking (een partiële differentiaalvergelijking die de evolutie van de dichtheid beschrijft) combineert met Deep Learning via Backward Stochastic Differential Equations (BSDE).

A. Theoretische Formulering

Het filterprobleem wordt recursief opgebroken in twee stappen:

Voorspelling (Prediction): De evolutie van de dichtheid tussen twee metingen wordt beschreven door de Fokker-Planck PDE.
Update: Bij een nieuwe meting wordt de dichtheid bijgewerkt via de Bayes-formule (vermenigvuldiging met de likelihood-functie).

De kerninnovatie is het vertalen van de voorspellingstap (de PDE) naar een niet-lineaire Feynman-Kac representatie. Hierdoor kan de oplossing van de PDE worden geformuleerd als de oplossing van een gekoppelde Forward-Backward Stochastic Differential Equation (FBSDE).

B. Deep BSDE Benadering

In plaats van de PDE numeriek op te lossen met roosters (wat onmogelijk is in hoge dimensies), gebruiken de auteurs de Deep BSDE-methode:

De oplossing van de BSDE wordt benaderd door Neurale Netwerken.
Het probleem wordt herschreven als een optimalisatieprobleem waarbij de parameters van het neurale netwerk worden getraind om de verwachte fout tussen de geschatte eindwaarde en de werkelijke randvoorwaarde te minimaliseren.
Hybride aanpak: De voorspellingstap wordt geleerd via het Deep BSDE-netwerk, terwijl de update-stap (Bayesiaanse update) analytisch en gesloten wordt uitgevoerd.
Offline training, Online toepassing: Het model wordt getraind op synthetische data (offline) en kan vervolgens direct worden toegepast op nieuwe observaties (online) zonder opnieuw te hoeven trainen.

C. Regulariteit en Voorwaarden

De theorie rust op de paraboolse Hӧrmander-voorwaarde, een voorwaarde die garandeert dat het systeem "hypo-elliptisch" is (d.w.z. dat de ruis via de drift de hele ruimte bereikt), zelfs als de diffusiematrix niet volledig rang is.

3. Belangrijkste Bijdragen

Nieuw Filteralgoritme: Een recursieve Bayesiaanse filter die de Deep BSDE-methode gebruikt om de voorspelling van de dichtheid te berekenen, specifiek ontworpen voor niet-lineaire en niet-Gaussische systemen.
Foutanalyse: De auteurs bewijzen een hybride a priori-a posteriori foutgrens.
- De fout wordt begrensd door de discretisatiefout (tijdstap $\tau$ ) en de residual van het optimalisatieprobleem (hoe goed het neurale netwerk de BSDE heeft opgelost).
- De convergentiesnelheid wordt theoretisch bewezen onder de Hӧrmander-voorwaarde.
Uitbreiding van Bestaande Werk: Ze generaliseren eerdere resultaten (zoals in [25]) naar een setting met een reeks ongekoppelde forward-backward systemen, wat essentieel is voor het recursieve karakter van het filteren.

4. Resultaten en Numerieke Experimenten

De auteurs testen de methode op twee één-dimensionale voorbeelden om de theoretische convergentie te verifiëren:

Ornstein-Uhlenbeck Proces (Lineair):
- Een lineair SDE met lineaire metingen. De exacte oplossing is bekend (Kalman-filter).
- Resultaat: De numerieke fouten ( $e_k$ ) en de residual ( $E_k$ ) nemen af naarmate het aantal tijdstappen ( $N$ ) toeneemt. De convergentie volgt de theoretische voorspelling van orde $O(N^{-1/2})$ .
Bistabiel Proces (Niet-lineair):
- Een SDE met een kubische drift (dubbel-well potentiaal), wat leidt tot een bimodale verdeling.
- Resultaat: Omdat er geen exacte oplossing is, wordt een Partikelfilter gebruikt als referentie. De methode toont opnieuw een convergentie van orde $1/2$ tot een bepaald punt, waarna de fout stabiliseert door beperkingen in de training (bijv. Monte Carlo ruis of netwerkcapaciteit) in plaats van de discretisatie.

Opmerking over Schaalbaarheid: Hoewel de experimenten in dit artikel 1D zijn om de theorie te valideren, verwijzen de auteurs naar een complementaire studie [4] waarin de methode succesvol wordt toegepast op een niet-lineair voorbeeld in 100 dimensies, wat aantoont dat de methode de vloek van de dimensionaliteit overwint.

5. Betekenis en Conclusie

Dit werk biedt een theoretisch onderbouwd alternatief voor traditionele filtermethoden in complexe, hoogdimensionale scenario's.

Significantie: Het combineert de wiskundige elegantie van stochastische analyse (Feynman-Kac, BSDE) met de schaalbaarheid van Deep Learning.
Toepassing: De methode is veelbelovend voor toepassingen waar klassieke filters falen, zoals in financiële modellering (volatiliteitsschatting), robotica, en epidemiologie, vooral wanneer het systeem sterk niet-lineair is en hoge dimensies heeft.
Conclusie: De auteurs bevestigen dat de methode de theoretisch voorspelde convergentiesnelheid bereikt en dat de fouten voorspelbaar blijven, zolang de implementatie (netwerkarchitectuur en training) voldoende nauwkeurig is.

Kortom, het artikel presenteert een robuust, op dichtheid gebaseerd filter dat de beperkingen van zowel lineaire filters als de vloek van de dimensionaliteit bij deeltjesfilters overbrugt door gebruik te maken van diepe neurale netwerken voor het oplossen van stochastische differentiaalvergelijkingen.