高次元におけるスコアベースデータ同化のための前進過程の再考

arXiv stat.ML / 2026/4/6

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、高次元の動力学的システムにおけるデータ同化を扱っており、古典的なベイズフィルタでは不正確になったり計算的に実行不可能になったりすることがある。
先行するスコアベースの生成的フィルタリング手法を批判し、計測モデルと独立に前進過程を指定することで、誤差が蓄積し得るヒューリスティックな尤度スコア近似への依存を余儀なくしている点を指摘する。
本論文は、計測方程式から直接に計測に応じた前進過程を構成し、尤度スコアを解析的に扱えるようにする、計測対応スコアベースフィルタ（MASF）を提案する。
線形の計測設定では、本手法は厳密な尤度スコアを導出し、学習した事前スコアと組み合わせることで、フィルタリングに用いる事後スコアを計算する。
高次元データセットに対する実験により、複数の構成において、既存のスコアベースフィルタと比べて精度と安定性が向上することが示される。

Abstract

データ同化は、モデル予測とノイズを含む観測を統合することで、動的システムの時間発展する状態を推定するプロセスである。データ同化は一般にベイズフィルタリングとして定式化されるが、古典的なフィルタは高次元においてしばしば精度または計算可能性の面で課題を抱える。近年、スコアベースの生成モデルが、高次元データ同化のためのスケーラブルなアプローチとして登場し、複雑な分布の正確なモデリングとサンプリングを可能にしている。しかし、既存のスコアベースフィルタの多くは、データ同化とは独立に順方向過程を定めている。その結果、測定更新ステップは尤度スコアのヒューリスティックな近似に依存し、誤差が蓄積して時間とともに性能が低下しうる。ここでは、測定方程式から直接導く測定対応の順方向過程を定義する、測定対応スコアベースフィルタ（MASF）を提案する。この構成により、尤度スコアが解析的に扱えるようになる。線形な測定の場合には、厳密な尤度スコアを導出し、それを学習した事前スコアと組み合わせて事後スコアを得る。高次元データセットを含むさまざまな設定を対象とした数値実験により、既存のスコアベースフィルタに比べて精度と安定性が向上することを示す。