AECSF: 고차원 비선형 자료 동화를 위한 적응형 앙상블 조건부 점수 필터링
AECSF: Adaptive Ensemble Conditional Score Filtering for High-Dimensional Nonlinear Data Assimilation
고차원 비선형 동적 시스템에 대한 베이지안 상태 추정은 입자 가중치 붕괴가 발생할 수 있는 반면 가우스 앙상블 업데이트는 비가우스 사후 구조를 놓칠 수 있어 통계적 충실도와 계산적 다루기 쉬움(tractability) 사이의 근본적인 긴장을 수반합니다. 점수 기반 확산 필터는 샘플링 기반 대안을 제공하지만, 기존의 학습 없는(training-free) 점수 필터는 노이즈가 있는 각 역방향 입자와 관련된 시스템 상태의 불확실성을 무시함으로써 사후 확률 정확도를 저해할 수 있는 휴리스틱 가능도(likelihood) 보정에 의존하는 경우가 많습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 학습이 필요 없는 적응형 앙상블 조건부 점수 필터인 AECSF를 제안합니다. AECSF는 조건부 트위디 항등식(Tweedie identity)으로부터 해석적으로 다루기 쉬운 점수 추정기를 구성하며, 이는 노이즈가 있는 사후 점수 추정을 노이즈 역방향 입자와 관측값이 주어졌을 때 시스템 상태의 조건부 평균을 추정하는 문제로 재구성합니다. 이러한 조건부 평균을 효율적으로 추정하기 위해, AECSF는 공유 적응형 가중 제안 앙상블을 사용하는 한편, 입자별 조건부 가중치를 통해 별도의 제안 샘플링 없이 노이즈가 있는 각 역방향 입자에 대한 추정치를 도출합니다. 제안 앙상블은 동일한 역방향 확산 실행 내에서 역방향 입자 정보를 사용하여 조건부 평균 추정을 개선하도록 업데이트됩니다. 이론적으로는 고정 가중 제안 측도가 정확한 노이즈 사후 점수를 산출하는 조건을 규명합니다. 또한 명시된 가정 하에서 조건부 평균 추정 오차와 역방향 샘플링 종점 오차를 연결하는 경계를 확립합니다. 수치 실험을 통해 제한된 예측 앙상블을 갖는 고차원 문제에서 AECSF가 사후 샘플링 및 비선형 필터링의 정확도를 향상시킴을 입증합니다.