Hiyerarşik Parçacık Filtresi
Hierarchical Particle Filter · Ayrıca şöyle bilinir: nested particle filter, multilevel particle filter, hierarchical SMC, HPF
Hiyerarşik parçacık filtresi, Sıralı Monte Carlo yöntemini çok seviyeli gizli değişkenlere sahip durum-uzay modellerine genişletir. Hiyerarşinin her seviyesinde parçacıklar yayılır, bu da yöntemin hem ince taneli durum dinamiklerini hem de daha yavaş değişen hiperparametreleri eş zamanlı olarak izlemesine olanak tanır ve modelin tüm seviyelerinde kalibre edilmiş sonsal dağılımlar elde edilmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veri üreten süreç birden çok gizli değişken katmanına sahip olduğunda —örneğin, grup düzeyindeki parametreler tarafından yönetilen bireysel düzeyde zaman serileri— ve toplu analiz yerine sıralı, çevrimiçi çıkarıma ihtiyacınız olduğunda hiyerarşik bir parçacık filtresi kullanın. Gözlem sayısı zamanla arttığında ve hiperparametrelerin durumla birlikte izlenmesi gerektiğinde üstündür. Durum uzayı seviyelere ayrılmışsa düz bir parçacık filtresine veya veriler sıralı olarak geldiğinde ve gecikme önemli olduğunda çevrimdışı MCMC'ye tercih edin. Hiyerarşi ikiden veya üçten fazla seviyeye sahip olduğunda (hesaplama maliyeti kötü ölçeklenir), veriler sıralı olmadığında veya bir Kalman filtresi veya doğrusal-Gauss yaklaşımı yeterli olduğunda kaçının — bu durumlarda her ikisi de daha ucuzdur.
Güçlü yönler & sınırlılıklar
- Standart bir parçacık filtresinin seviyeleri çökertmeden temsil edemediği çok seviyeli gizli yapıyı ele alır.
- Tamamen çevrimiçi çıkarımı destekler: her yeni gözlem geldiğinde tahminler, geçmiş verileri yeniden işlemeye gerek kalmadan güncellenir.
- Hem yerel durumlar hem de küresel hiperparametreler üzerinde eksiksiz bir sonsal dağılım sağlar.
- Kalman tabanlı yöntemlerin başarısız olduğu doğrusal olmayan, Gauss olmayan durum-uzay modellerine doğal olarak uyum sağlar.
- Yan ürün olarak elde edilen marjinal olabilirlik tahminleri, sıralı model karşılaştırmasına olanak tanır.
- Hesaplama maliyeti, zaman adımı başına O(N_outer x N_inner) parçacık olarak ölçeklenir, bu da derin hiyerarşileri pahalı hale getirir.
- Dış (hiperparametre) parçacık bulutunun yozlaşması, gençleştirme MCMC adımları dahil edilmez ve iyi ayarlanmazsa meydana gelebilir.
- Etkili iç öneri dağılımları tasarlamak, modele özgü bilgi gerektirir; kötü öneriler varyansı artırır.
- Uygulama karmaşıklığı, standart bir parçacık filtresi veya Kalman filtresinden önemli ölçüde daha yüksektir.
- Teorik yakınsama garantileri, özellikle dış seviye için, düz SMC'ye göre daha az gelişmiştir.
SSS
Hiyerarşik parçacık filtresi standart bir parçacık filtresinden nasıl farklıdır?
Standart bir parçacık filtresi, gizli durum için tek bir parçacık bulutu tutar ve herhangi bir model parametresini sabit kabul eder. Hiyerarşik bir parçacık filtresi, küresel parametreler için ikinci, dış bir bulut tutar ve her dış parçacık için yerel durum için bir iç bulut çalıştırır. Bu iç içe yapı, her iki seviye üzerinde ortak çevrimiçi çıkarım sağlar.
SMC2 algoritması nedir ve hiyerarşik bir parçacık filtresiyle aynı mıdır?
SMC2 (Chopin et al., 2013), hiyerarşik parçacık filtresi fikrinin belirli, teorik olarak temellendirilmiş bir örneğidir: model parametreleri üzerinde bir dış SMC marjinal sonsalı hedeflerken, iç SMC taramaları tarafsız olabilirlik tahminleri sağlar. En çok alıntı yapılan resmi çerçevedir, ancak daha geniş hiyerarşik veya iç içe parçacık filtreleri ailesi, farklı isimler altında benzer yapıları kapsar.
Kaç parçacığa ihtiyacım var?
Bu hem durum uzayının karmaşıklığına hem de dış (hiperparametre) parçacık sayısına bağlıdır. Yaygın bir uygulama, etkin örneklem büyüklüğünün nominal büyüklüğün %50'sinin üzerinde kalmasını sağlayacak kadar iç parçacık ve hiperparametre tahminlerinin bağımsız çalışmalarda stabilize olmasını sağlayacak kadar dış parçacık seçmektir. Evrensel bir kural yoktur; farklı parçacık sayılarıyla pilot çalışmalar yapılması önerilir.
Bunun yerine ne zaman MCMC kullanmalıyım?
Veriler eksiksiz bir toplu iş olarak geliyorsa ve hesaplama süresi bir endişe değilse, NUTS ile Hamiltoniyen Monte Carlo gibi çevrimdışı MCMC yöntemleri genellikle uygulaması daha kolay, teorik olarak daha iyi anlaşılmış ve daha doğru sonsallar üretir. Hiyerarşik parçacık filtresi, öncelikle veriler sıralı olarak geldiğinde ve gerçek zamanlı güncellemelere ihtiyaç duyulduğunda avantajlıdır.
Model seçimi için hiyerarşik parçacık filtresini kullanabilir miyim?
Evet. Her dış parçacık, iç SMC taramasının bir yan ürünü olarak marjinal olabilirlik (kanıt) tahmini üretir. Bu tahminler, sıralı Bayes faktörleri için veya veriler biriktikçe rakip hiyerarşik modelleri karşılaştırmak için, tam analizi yeniden çalıştırmaya gerek kalmadan kullanılabilir.
Kaynaklar
- Briers, M., Doucet, A. & Maskell, S. (2010). Smoothing algorithms for state-space models. Annals of the Institute of Statistical Mathematics, 62(1), 61-89. DOI: 10.1007/s10463-009-0236-2 ↗
- Chopin, N., Jacob, P. E. & Papaspiliopoulos, O. (2013). SMC2: an efficient algorithm for sequential analysis of state-space models. Journal of the Royal Statistical Society: Series B, 75(3), 397-426. DOI: 10.1111/j.1467-9868.2012.01046.x ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Hierarchical Particle Filter. ScholarGate. https://scholargate.app/tr/bayesian/hierarchical-particle-filter
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hiyerarşik Bayesci ÇıkarımBayesçi↔ karşılaştır
- Hiyerarşik Markov Zinciri Monte CarloBayesçi↔ karşılaştır
- Kalman FiltresiBayesçi↔ karşılaştır
- Parçacık Filtresi (Sıralı Monte Carlo)Bayesçi↔ karşılaştır
- Sıralı Monte CarloBayesçi↔ karşılaştır