전진 입자 필터링과 역방향 샘플링의 메트로폴리제이션 및 라오 블랙웰리제이션

초록

본 논문은 입자 필터링으로 얻은 필터 분포를 기반으로 역방향 커널을 이용해 상태 궤적을 샘플링하고, 메트로폴리스-헤이스팅(MH) 수용 단계와 라오-블랙웰리제이션을 결합해 정확한 스무딩 분포를 마코프 체인 몬테카를로(MCMC) 방식으로 얻는 새로운 알고리즘을 제안한다. 역방향 샘플링 대신 역방향 스무딩을 사용해 모든 가능한 궤적을 평균함으로써 효율성을 높이며, 기존 Andrieu‑Doucet‑Holenstein 방법과 비교해 계산 시간당 정밀도가 향상됨을 실험으로 입증한다.

상세 분석

이 논문은 비선형·비가우시안 혹은 유한 상태공간을 갖는 상태공간 모델에서 스무딩 문제를 해결하기 위한 두 가지 주요 기여를 제시한다. 첫 번째는 기존 입자 필터 기반 역방향 샘플링(backward sampling) 절차에 메트로폴리스-헤이스팅(MH) 수용 단계(Metropolised backward sampling)를 도입함으로써, 제안된 궤적이 정확한 스무딩 분포에 대해 마코프 체인(MCMC)의 불변분포가 되도록 보장한다는 점이다. 이는 입자 필터가 제공하는 근사 필터 분포를 제안 분포로 사용하고, 역방향 전이 확률을 기반으로 제안된 궤적을 수용하거나 거부함으로써, 근사와 정확 사이의 격차를 메트로폴리스 절차가 보정한다는 의미다. 두 번째 기여는 역방향 샘플링을 역방향 스무딩(backward smoothing)으로 대체하는 아이디어다. 역방향 스무딩은 특정 궤적을 샘플링하는 대신, 모든 가능한 이전 입자들에 대한 가중 평균을 계산해 기대값을 직접 추정한다. 이 과정은 라오-블랙웰리제이션(Rao‑Blackwellisation) 원리를 적용한 것으로, 샘플링 변동성을 감소시키고 효율성을 크게 향상시킨다. 논문은 이 두 절차를 조합한 ‘Metropolised particle smoother’와 ‘Rao‑Blackwellised Metropolised particle smoother’를 정의하고, 각각의 마코프 체인 전이 행렬이 목표 스무딩 분포에 수렴함을 수학적으로 증명한다. 또한, 제안된 알고리즘의 복잡도는 기존 입자 필터와 역방향 커널 계산에 추가적인 MH 수용 검증과 가중 평균 연산을 포함하지만, 샘플링 횟수를 크게 줄일 수 있어 전체 연산량 대비 정확도가 개선된다. 실험에서는 비선형 차분 방정식 모델과 스위치드 선형 모델을 대상으로, Andrieu‑Doucet‑Holenstein(ADH) 방식과 비교해 동일한 계산 시간 내에서 평균 제곱 오차가 현저히 낮으며, 특히 고차원 상태와 긴 관측 시퀀스에서 그 차이가 두드러진다. 이러한 결과는 역방향 스무딩을 통한 라오‑블랙웰리제이션이 샘플링 기반 스무딩 방법의 변동성을 효과적으로 억제한다는 실증적 증거를 제공한다.