[論文レビュー] Maximum Entropy Spectral Analysis: an application to gravitational waves data analysis

Alessandro Martini, S. Schmidt+2 more|arXiv (Cornell University)|Jun 17, 2021

Neural Networks and Applications参考文献 1被引用数 8

ひとこと要約

本論文は、Pythonパッケージ memspectrum を通じて、最大エントロピースペクトル解析（MESA）の堅牢でオープンソースの実装を提示し、特に重力波データ解析における短いノイズの多い時系列のパワー スペクトル密度（PSD）推定において、ウェルチ法よりも優れた性能を示すことを実証している。これは、最小限のパrameterチューニングで、分散とバイアスが低くなるという特徴を持つ。

ABSTRACT

The Maximum Entropy Spectral Analysis (MESA) method, developed by Burg, offers a powerful tool for spectral estimation of a time-series. It relies on Jaynes' maximum entropy principle, allowing the spectrum of a stochastic process to be inferred using the coefficients of an autoregressive process AR($p$) of order $p$. A closed-form recursive solution provides estimates for both the autoregressive coefficients and the order $p$ of the process. We provide a ready-to-use implementation of this algorithm in a Python package called exttt{memspectrum}, characterized through power spectral density (PSD) analysis on synthetic data with known PSD and comparisons of different criteria for stopping the recursion. Additionally, we compare the performance of our implementation with the ubiquitous Welch algorithm, using synthetic data generated from the GW150914 strain spectrum released by the LIGO-Virgo-Kagra collaboration. Our findings indicate that Burg's method provides PSD estimates with systematically lower variance and bias. This is particularly manifest in the case of a small (O($5000$)) number of data points, making Burg's method most suitable to work in this regime. Since this is close to the typical length of analysed gravitational waves data, improving the estimate of the PSD in this regime leads to more reliable posterior profiles for the system under study. We conclude our investigation by utilising MESA, and its particularly easy parametrisation where the only free parameter is the order $p$ of the AR process, to marginalise over the interferometers noise PSD in conjunction with inferring the parameters of GW150914.

研究の動機と目的

• ウェルチ法のスペクトル密度推定における限界、特に重力波データに一般的な短い時系列に適用した際の高い分散とバイアスを解消すること。
• 従来の手法に対する理論的根拠があり、パrameterチューニングが最小限の代替手法として、最大エントロピースペクトル解析（MESA）を再評価・促進すること。
• 広い科学コミュニティが即座に利用可能で、信頼性が高く、効率的なPython実装（memspectrum）を提供すること。
• 合成データおよび実際の重力波データを用いたMESAの性能評価を行い、ウェルチ法と定量的に比較するとともに、再帰的係数推定の停止基準を評価すること。
• 特に非定常またはデータ欠損が生じる状況下において、オンラインPSD推定および異常検出へのMESAの可能性を検討すること。

提案手法

• MESAは、定常なスチュアティスティック的過程のパワー スペクトル密度（PSD）を、$ p $ 階の自己回帰（AR）過程としてモデル化することで、最大エントロピー原理に従って推定する。未観測データに関する仮定を最小限に抑える。
• アルゴリズムは、ユール＝ウォーカー方程式から導かれる閉形式解を用いて、再帰的にAR係数を計算し、次数 $ p $ はアカイケ情報基準（AIC）やベイジアン情報基準（BIC）などの停止基準によって決定される。
• PSDは、AR係数から導かれるAR過程のパワー スペクトルの逆フーリエ変換により推定され、滑らかで物理的に妥当なスペクトル推定が保証される。
• ウェルチ法とは異なり、窓関数処理やデータのセグメンテーションを回避するため、データの完全性が保たれ、前処理に起因する人工的なバイアスが低減される。
• 実装であるmemspectrumは、既知のPSDを持つ合成データで検証され、LIGO-Virgoが公開したノイズパワー スペクトルと比較してウェルチ法と比較されている。
• ベイジアンパラメータ推定の過程で残差に基づきPSDを再計算することで、オンラインPSD推定をサポートし、長期的な定常性を仮定しない動的ノイズモデリングが可能になる。

実験結果

リサーチクエスチョン

• RQ1 短い時系列のパワー スペクトル密度（PSD）推定において、MESAはウェルチ法と比較して、バイアスと分散の点でどのように異なるか？
• RQ2 AIC や BIC などの停止基準の中で、MESAにおける自己回帰次数 $ p $ の推定において、最も正確で安定した結果をもたらすのはどれか？
• RQ3 ノイズ特性が非定常な状況下でも、MESAは重力波データ解析におけるリアルタイムまたはオンラインPSD推定に効果的に応用可能か？
• RQ4 LISA観測で想定されるような欠損データを含む時系列において、MESAの異常検出およびギャップ補完への性能はいかがなものか？
• RQ5 MESAはベイジアン推論パイプラインに統合可能であり、モデルパラメータ $ \theta $ の関数としてノイズPSDを動的にモデリングすることで、事後分布の精度を向上させられるか？

主な発見

• MESAは、データポイント数が少ない場合でも、常にウェルチ法よりも顕著に低い分散とバイアスを示すパワー スペクトル密度（PSD）推定を実現する。
• 再帰的MESAアルゴリズムは、既知のPSDを持つ合成データにおいて信頼性高く収束し、AICおよびBICの停止基準は、自己回帰次数 $ p $ の安定的かつ正確な推定をもたらす。
• memspectrum Pythonパッケージは、MESAの堅牢で使いやすく、効率的な実装を提供しており、データ解析パイプラインへの統合に適している。
• MESAは、ベイジアン推論の過程で残差に基づきPSDを再計算することで、動的ノイズモデリングが可能な正確なオンラインPSD推定を可能にする。これにより、長期的な定常性を仮定する必要がなくなる。
• MESAは、異常検出や時系列のギャップ補完といった実用的応用をサポートしており、MESAからの予測は、偏差を検出するための信頼性の高いベースラインを提供する。
• 予備的な結果では、MESAがベイジアンフレームワークに拡張可能であり、固定されたオフラインPSD推定よりも、不確実性の定量化がより包括的になる可能性がある。