[論文レビュー] Detection is truncation: studying source populations with truncated marginal neural ratio estimation

Noemi Anau Montel, Christoph Weniger|arXiv (Cornell University)|Nov 8, 2022

Target Tracking and Data Fusion in Sensor Networks被引用数 7

ひとこと要約

本稿では、遮断された周辺神経比推定法（TMNRE）を用いて、検出済みおよびしきい値未満の源を統合する自己整合的フレームワークを提案する。検出を事前分布の切り捨てとしてモデル化することで、検出済みおよびしきい値未満の源を組み込む。この手法により、検出済みおよびしきい値未満の源のそれぞれで別個のニューラルネットワークを訓練することで、バイアスのない母数推定が可能となり、源数、放射度、空間的分布などの母数に対して一貫性があり補完的な制約が得られる。

ABSTRACT

Statistical inference of population parameters of astrophysical sources is challenging. It requires accounting for selection effects, which stem from the artificial separation between bright detected and dim undetected sources that is introduced by the analysis pipeline itself. We show that these effects can be modeled self-consistently in the context of sequential simulation-based inference. Our approach couples source detection and catalog-based inference in a principled framework that derives from the truncated marginal neural ratio estimation (TMNRE) algorithm. It relies on the realization that detection can be interpreted as prior truncation. We outline the algorithm, and show first promising results.

研究の動機と目的

• 検出済みおよび未検出の源に起因する人工的な分離に起因する天体物理学的源母数推定における選択バイアスの課題に対処すること。
• 検出バイアスを導入せずに、同時に源検出と母数パラメータ推定を実行する統一された推定フレームワークを開発すること。
• 従来のパイプラインで無視されがちなしきい値未満の源を、母数レベルの推定に効率的に活用できること。
• 従来の調査分析ワークフローと整合性を持ちつつ、ディープラーニングを活用する、シミュレーション効率的で解釈可能な手法を提供すること。

提案手法

• 源検出を事前分布の切り捨てとして再定式化し、放射度しきい値を超える源を検出済みとみなす。検出確率は感度関数 $ S(F, \Omega) $ でモデル化する。
• 画像内の検出済み源を特定するための画像対画像分類を用いて、検出用のニューラルネットワークを訓練し、尤度対尤度比 $ r_1(\Omega, F_{\text{th}}; \mathbf{x}) $ を推定する。
• 検出済み源を生成するパラメータ設定に限定して事前分布のサポートを制限することで、シミュレーションモデルを遮断されたものに構築し、的確な訓練を可能にする。
• 検出済みおよびしきい値未満の源のそれぞれに対して別個のニューラル比推定器を訓練し、母数パラメータ $ \boldsymbol{\vartheta} = \{N, \Sigma, h\} $ の周辺事後分布を推定し、TMNREを用いて結果を統合する。
• スカイマップに放射度および位置パラメータを含め、機器効果を組み込んだ階層ベイズモデル $ p(\mathbf{x}, \vec{\mathbf{s}}, \boldsymbol{\vartheta}) $ を用いてスカイマップをシミュレートする。
• TMNREアルゴリズムの逐次的かつシミュレーション効率の良い訓練スキームを活用し、パラメータ空間の関連領域に集中することで、収束性およびスケーラビリティを向上させる。

実験結果

リサーチクエスチョン

• RQ1 シミュレーションベース推定フレームワーク内において、源検出を一貫して事前分布の切り捨てとしてモデル化できるか？
• RQ2 検出済みおよびしきい値未満の源の両方の情報を、検出バイアスを導入せずに母数パラメータを推定するためにどのように統合できるか？
• RQ3 しきい値未満の源と検出済み源が、源数 $ N $、放射度分布 $ \Sigma $、空間的分布 $ h $ などの母数パラメータに、どの程度異なった寄与を示すか？
• RQ4 TMNREフレームワークは、解釈可能性とシミュレーション効率を保持したまま、同時に検出と推定を処理できるように適合可能か？

主な発見

• 本手法は、検出済みおよびしきい値未満の源からの情報を効果的に統合し、両方のコンポonentで一貫性のある事後分布の制約をもたらした。
• 源数 $ N $ はしきい値未満の源によってより強く制約され、空間的分布パラメータ $ h $ は検出済み源によってより強く制約された。
• 階層モデルにおける異なる検出実現の間で $ \Sigma $ を再サンプリングするため、検出済み源からの $ \Sigma $ パラメータへの制約は弱くなった。
• 図3の結果を生成するための合計計算コストは、単一のNVIDIA RTX 3080 Ti GPUで約2時間であった。
• 検出済みおよびしきい値未満の源の推定事後分布は互いに一貫しており、統合結果とも一致しており、効果的なバイアス補正が行われたことを示している。
• 本手法はTMNREのシミュレーション効率およびスケーラビリティを引き継いでおり、SKA や CTA などの大規模な調査に適している。