Non-Bayesian particle filters

Resumo Técnico de "Filtros de Partículas Não Bayesianos"

Enunciado do Problema
O artigo aborda o desafio da assimilação de dados em sistemas não lineares governados por equações diferenciais estocásticas (SDEs) com observações ruidosas. Especificamente, o objetivo é estimar o estado $x(t)$ de um sistema que evolui de acordo com uma SDE, dado um fluxo de medições ruidosas $b_n$. Embora o filtro de Kalman-Bucy resolva isso para sistemas lineares gaussianos, os casos não lineares gerais tipicamente dependem de filtros de partículas. Os filtros de partículas bayesianos padrão geram uma sequência de funções de densidade de probabilidade (pdfs) evoluindo "partículas" (réplicas do sistema) para frente e, em seguida, aplicando o teorema de Bayes para atualizá-las com novos dados. Esta abordagem frequentemente requer um grande número de partículas para manter a precisão e pode necessitar de amostragem reversa computacionalmente cara (frequentemente via Cadeia de Markov Monte Carlo) para evitar a degeneração de partículas e dar conta das informações relativas aos estados passados fornecidas por novas medições.

Metodologia
Os autores propõem uma alternativa não bayesiana que amostra as pdfs posteriores relevantes diretamente através de iteração, evitando o uso explícito do teorema de Bayes e as etapas associadas de amostragem reversa. A metodologia é construída sobre a "amostragem sem cadeia" (ou amostragem interpolatória), que reduz a amostragem de uma SDE à interpolação entre condições de contorno.

O algoritmo central procede em duas etapas principais para cada passo de tempo:

1. Passo de Avanço (Amostragem Direta via Iteração):

   • Em vez de evoluir partículas e reponderá-las, o método busca encontrar incrementos $dX_{n+1}$ tais que as posições resultantes $X_{n+1}$ amostrem a densidade posterior alvo $P_{n+1}$.
   • A densidade alvo é representada como o produto da densidade de transição (da SDE) e da verossimilhança (da observação).
   • O algoritmo fixa um conjunto de variáveis gaussianas de referência $\xi$ (extraídas de $N(0,1)$) para cada partícula. Em seguida, resolve iterativamente uma equação que iguala a probabilidade das variáveis de referência à probabilidade do estado resultante sob a densidade alvo.
   • Isso é alcançado linearizando a equação de observação em torno da iteração atual e combinando as restrições gaussianas resultantes (do modelo de movimento e da observação) para atualizar a média e a variância do deslocamento. O processo se repete até que os incrementos convirjam.
   • Como os parâmetros das distribuições gaussianas dependem do estado da partícula, as amostras resultantes são extraídas de diferentes densidades. Para criar um ensemble uniforme, o método utiliza os fatores de normalização (especificamente, os termos de "fase" $\phi$ decorrentes do produto de gaussianas) como pesos para realizar uma etapa de reamostragem.

2. Amostragem Reversa (Refinamento Opcional):

   • O artigo descreve um passo de retrocesso onde, dada a posição de uma partícula no tempo $(n+1)\delta$, o algoritmo interpola para corrigir a posição no tempo $n\delta$. Isso utiliza o estado futuro conhecido e a observação no tempo $n$ para refinar a trajetória passada.
   • Isso é enquadrado não como uma necessidade de diversidade (como em alguns contextos bayesianos), mas como uma forma de incorporar informação futura nas estimativas passadas.

Principais Contribuições

• Estrutura Não Bayesiana: O artigo introduz um método de filtragem que contorna o ciclo padrão de atualização bayesiana, construindo a densidade posterior diretamente através de interpolação iterativa.
• Amostragem Sem Cadeia (Chainless Sampling): O método aplica o conceito de amostragem sem cadeia a SDEs, tratando a amostragem de uma trajetória como um problema de interpolação entre pontos finais fixos (estado inicial e estado observado) em vez de uma propagação sequencial.
• Solução Iterativa de Variáveis de Referência: Os autores demonstram como representar uma posterior complexa e não gaussiana como uma coleção de funções de variáveis gaussianas, onde os parâmetros dessas funções são encontrados via iteração.
• Reamostragem via Fatores de Normalização: O artigo propõe uma estratégia de reamostragem baseada nas constantes de normalização (fases) das densidades gaussianas intermediárias usadas na iteração, em vez de pesos de importância padrão derivados do teorema de Bayes.

Resultados Numéricos
O método é testado em um "problema de azimute de navio", onde a posição de um navio é reconstruída a partir de medições ruidosas de seu ângulo de azimute.

• Precisão: Os autores comparam o desempenho do filtro contra a incerteza intrínseca do problema (o limite teórico imposto pelo ruído nos dados). Eles descobrem que o erro do filtro é da mesma ordem de magnitude que essa incerteza inevitável dos dados.
• Contagem de Partículas: Surpreendentemente, os resultados indicam que um número muito pequeno de partículas (por exemplo, 2) com reamostragem apresenta desempenho comparável a 100 partículas em termos de erro médio e desvio padrão da discrepância. A principal fonte de erro é identificada como a incerteza nos próprios dados, não o número de partículas.
• Robustez: O filtro mostra pouca sensibilidade a perturbações nas condições iniciais ou em suposições sobre a variância do ruído ($\sigma$).
• Estimativa de Parâmetros: O artigo demonstra que o parâmetro $\sigma$ pode ser estimado a partir dos dados analisando o discriminante $D$ dos incrementos das partículas. Com rodadas suficientes (5000), $\sigma$ pode ser estimado com aproximadamente 3% de erro.
• Amostragem Reversa: Neste problema específico, a amostragem reversa não melhorou significamente a precisão, pois as limitações dos dados eram o fator dominante.

Significância e Alegações
O artigo afirma oferecer uma alternativa viável aos filtros de partículas padrão que foca as trajetórias das partículas de forma mais nítida, potencialmente exigindo menos partículas para alcançar uma precisão comparável à incerteza intrínseca dos dados. Os autores observam que isso ocorre ao custo de um aumento na complexidade da avaliação de cada trajetória (devido à solução iterativa). O trabalho é apresentado como uma demonstração de amostragem sem cadeia e do uso de variáveis de referência em um contexto simples (o problema do azimute do navio, com os autores afirmando que aplicações adicionais serão publicadas em outro lugar. O artigo não pretende resolver todos os problemas de filtragem não lineares, mas oferece uma construção específica que evita o crescimento "catastrófico" de partículas frequentemente visto em filtros bayesianos de amostragem reversa.