時系列生成モデルのためのリサンプリング学習

抄録

逐次モンテカルロ(SMC)は、系列的な確率モデルから順にサンプリングできる代表的なサンプリング手法である．しかし，サンプルの縮退(degeneration)のせいで，少ない粒子数ではSMCは尤度の低いサンプルを生成する場合がある．本研究では，サンプルを縮退させる原因としてSMCのリサンプリング目標がサンプルごとに同一であることに注目する．この制約を緩和したいが，非対称な逐次リサンプリング目標の解析的な導出は困難である．そこで，下界近似した系列全体の目標から逐次リサンプリング目標を学習することで，SMCのリサンプリング戦略を非対称に拡張する．これによりSMCと同じ粒子数で，正確な潜在変数の推定を学習によって実現できると期待される．