[論文レビュー] Fitting and Analysis Technique for Inconsistent Nuclear Data

Georg Schnabel|arXiv (Cornell University)|Mar 2, 2018

Nuclear Physics and Applications参考文献 30被引用数 14

ひとこと要約

この論文では、誤差の不一致を自動で検出し、矛盾するデータセットに追加の不確実性を割り当てることで、核データの不一致を解消するベイジアンフィッティング手法を提案する。これにより、一貫性のあるサブセットの特定と、適切に拡張された不確実性を伴う信頼性の高い予測が可能になる。この手法は不確実性補正をモデルフィッティングに統合しており、データに不一致がある場合に標準的な $χ^2$ 法や GLS 法が陥りがちな落とし穴を回避する。

ABSTRACT

Consistent experiment data are crucial to adjust parameters of physics models and to determine best estimates of observables. However, often experiment data are not consistent due to unrecognized systematic errors. Standard methods of statistics such as $χ^2$-fitting cannot deal with this case. Their predictions become doubtful and associated uncertainties too small. A human has then to figure out the problem, apply corrections to the data, and repeat the fitting procedure. This takes time and potentially costs money. Therefore, a Bayesian method is introduced to fit and analyze inconsistent experiment data. It automatically detects and resolves inconsistencies. Furthermore, it allows to extract consistent subsets from the data. Finally, it provides an overall prediction with associated uncertainties and correlations less prone to the common problem of too small uncertainties. The method is foreseen to function with a large corpus of data and hence may be used in nuclear databases to deal with inconsistencies in an automated fashion.

研究の動機と目的

• 認識されていない系誤差によって生じる核実験データの不一致という、標準的な $χ^2$ 法や GLS 法の適用を無効にする深刻な問題に対処する。
• 手動による介入や元の論文へのアクセスを必要とせずに、データの不一致の検出と是正を自動化する。
• 後続の従来のフィッティングに適した一貫性のあるデータサブセットの抽出を可能にするとともに、不確実性相関を保持する。
• 矛盾するデータセット間の真正な不一致レベルを反映した、適切に拡張された不確実性を伴う総合的予測を提供する。
• 核データベースでの大規模な核データ評価を支援するため、不確実性補正をモデルフィッティングプロセスに統合する。

提案手法

• 実験的不確実性とモデル予測を考慮した尤度関数を用いて、ベイジアン統計の枠組み内でフィッティング問題を定式化する。
• ハイパーパrameterを介して、不一致するデータポイントに追加の不確実性を割り当てる階層的モデルを導入し、効果的に矛盾を解消する。
• パラメータ $\bm{y}$ を調整可能なパラメータとして持つカーネル回帰（Nadaraya-Watson）に基づくプロトタイプモデルを採用し、これはパラメータに関して線形モデルとして表現可能である。
• メトロポリス・ハスティングス法を用いたマルコフ連鎖モンテカルロ（MCMC）を用いて、モデルおよびハイパーパrameterの事後分布からサンプリングする。
• 行列計算を用いて、対数事後分布の勾配の解析的表現を導出する。逆行列および行列の行列式の微分を含む。
• ウッドベリーの恒等式および行列行列式の補題を活用し、MCMCサンプリング中に事後分布の勾配と共分散構造の更新を効率的に計算する。

実験結果

リサーチクエスチョン

• RQ1 誤差範囲が互いに排他的であるような核データの不一致—すなわち、異なる実験からの誤差範囲が重複しない状況—を、どのように自動で検出し、是正できるか？
• RQ2 データの不一致が標準的な $χ^2$ 法や GLS 法に与える影響は何か？ そして、それらの失敗モードはどのように是正できるか？
• RQ3 認識されていない系誤差を同時に補正しつつ、モデルパラメータを推定できるベイジアンフレームワークを設計可能か？
• RQ4 矛盾するデータのうち、一貫性のあるサブセットをどのように特定・抽出できるか？
• RQ5 データの不一致を適切に取り入れた場合、最終モデルにおける不確実性および相関関係が、真の不確実性レベルをどの程度正確に反映しているか？

主な発見

• 提案されたベイジアン手法は、矛盾するデータセットに追加の不確実性を割り当てることで、核データの不一致を効果的に検出し、是正する。これにより、フィッティング結果における不自然に小さい不確実性が防止される。
• この手法は、複数の一致するデータサブセットの特定を可能にし、チャーヴェネットの基準のような外れ値除去法とは異なり、より強固で透明性の高い代替手段を提供する。
• 矛盾するデータセットは、直感的に予想されるように、全体の不確実性を増加させる。一方、標準的手法では、矛盾するデータが含まれると誤って不確実性が小さくなる。
• この手法は、モデルパラメータおよびハイパーパrameterの完全な事後分布を提供し、モンテカルロサンプリングにより信頼性の高い共分散行列と適切な誤差伝搬を実現できる。
• 行列計算を用いて、対数事後分布の導関数を解析的に導出しており、ウッドベリーの恒等式および行列行列式の補題を含む。これにより、効率的なMCMCサンプリングが可能になる。
• このフレームワークは一般性に富み、スプライン、ルジャンドル多項式、フーリエ展開など、パラメータに関して線形な任意のモデルに適用可能である。また、スラッグモデルを用いることで非線形モデルに対しても適応可能である。