[論文レビュー] Modelling multimodal photometric redshift regression with noisy observations

S. D. Kügler, Nikolaos Gianniotis|arXiv (Cornell University)|Jul 20, 2016

Remote Sensing in Agriculture参考文献 1被引用数 3

ひとこと要約

本論文は、スペクトルを主な入力として扱うベイジアン光度赤方偏移回帰モデルを提案する。不確実性と欠損データを制約付きPCAを用いてモデル化し、事後分布を介したマルチモーダルな赤方偏移予測を可能にする。この手法は、入力の不確実性を自然に扱い、学習範囲外の赤方偏移を予測できるため、高赤方偏移クェーサーの検出に不可欠である。

ABSTRACT

In this work, we are trying to extent the existing photometric redshift regression models from modeling pure photometric data back to the spectra themselves. To that end, we developed a PCA that is capable of describing the input uncertainty (including missing values) in a dimensionality reduction framework. With this "spectrum generator" at hand, we are capable of treating the redshift regression problem in a fully Bayesian framework, returning a posterior distribution over the redshift. This approach allows therefore to approach the multimodal regression problem in an adequate fashion. In addition, input uncertainty on the magnitudes can be included quite naturally and lastly, the proposed algorithm allows in principle to make predictions outside the training values which makes it a fascinating opportunity for the detection of high-redshifted quasars.

研究の動機と目的

• 一つの色が複数の赤方偏移に対応する光度赤方偏移回帰のマルチモーダル性に対処すること。
• 光度データにおける入力の不確実性および欠損値を回帰フレームワークに直接組み込むこと。
• 学習範囲外の赤方偏移を予測できる手法を開発し、高赤方偏移クェーサーの発見を支援すること。
• RMSのような不適切な指標に代わる、マルチモーダルな不確実性を反映する事後分布に基づく指標を導入すること。
• 点推定ではなく、赤方偏移の全事後分布を返す完全なベイジアンフレームワークを提供すること。

提案手法

• 校正誤差を回避し、データの一貫性を確保するため、クェーサースペクトルから直接合成光度を生成する。
• rest-frameスペクトルに対する次元削減としてPCAを適用し、再構築スペクトルを離散的プロトタイプとして用いることで過学習を防ぐ。
• フラックス誤差をPCA再構築プロセスに組み込むことで、入力の不確実性（欠損値を含む）をモデル化する。
• PCA係数が与えられたもとでの赤方偏移回帰をベイジアン推論問題として定式化し、赤方偏移の事後分布を計算する。
• 高次元の柔軟性に起因する物理的に不適切なスペクトルを避けるために、PCA空間の離散的プロトタイプ表現を用いる。
• 真の赤方偏移の捉え具合とマルチモーダル解の表現能力の両方を評価する、尤度に基づく評価指標を導入する。

実験結果

リサーチクエスチョン

• RQ1 PCAベースのスペクトル生成器は、ベイジアン回帰フレームワーク内で、光度データの不確実性と欠損値を効果的にモデル化できるか？
• RQ2 提案手法は、一つの色が複数の赤方偏移に対応する光度赤方偏移のマルチモーダル性をどのように処理するか？
• RQ3 学習範囲外の赤方偏移に対して、信頼性のある予測が可能か。高赤方偏移クェーサーの検出を支援できるか？
• RQ4 RMS や MAD といった従来の指標は、マルチモーダルな赤方偏移回帰において不適切であり、より良い代替指標は存在するか？
• RQ5 連続PCAと比較して、離散的プロトタイプベースのPCAモデルは過学習を回避できるか、予測性能を維持できるか？

主な発見

• 提案手法は、標準的手法が一対一の対応を仮定するのに対し、赤方偏移の全事後分布を返すことで、光度赤方偏移のマルチモーダル性を効果的に捉えている。
• 誤差重み付きPCA再構築により、入力の不確実性と欠損値を自然に組み込むことができ、これは大多数のデータ駆動的手法では実現不可能である。
• 学習範囲外の予測が可能であり、高赤方偏移クェーサーの検出に有望な道筋を提供する。
• RMS や MAD といった従来の指標はマルチモーダル問題に対して不適切であることが示され、著者らはモデル性能をより適切に反映する新たな尤度ベース指標を導入した。
• 10次元の連続PCAは過学習と物理的に不適切なスペクトルを引き起こしたが、再構築スペクトルを離散的プロトタイプとして用いることでモデルが安定化し、一般化性能が向上した。
• 光度がノイズのない校正済みスペクトルから得られても、モデルの性能は頑健であるため、適切な校正が施されれば実世界応用への強い可能性を示している。