[論文レビュー] Proofs of non-optimality of the standard least-squares method for track reconstructions

Gregorio Landi, Giovanni Landi|arXiv (Cornell University)|Mar 22, 2020

Soil Geostatistics and Mapping参考文献 9被引用数 4

ひとこと要約

この論文は、標準的最小二乗法が、非ガウス的で不規則な確率モデルですら、実際のシリコンマイクロストリップ検出器に一般的に見られるものと同様の状況においても、トラック再構成に於いて最適でないことを、Cramér-Rao-Fréchet不等式を正則モデルを超えて拡張することによって証明している。シミュレーションでは、不均一分散（heteroscedastic）最小二乗法が標準最小二乗法よりも顕著に優れた分解能を達成しており、長方形分布のヒットを持つシミュレーションで最大2.4倍の向上が得られている。

ABSTRACT

It is a standard criterium in statistics to define an optimal estimator the one with the minimum variance. Thus, the optimality is proved with inequality among variances of competing estimators. The inequalities, demonstrated here, disfavor the standard least squares estimators. Inequalities among estimators are connected to names of Cramer, Rao and Frechet. The standard demonstrations of these inequalities require very special analytical properties of the probability functions, globally indicated as regular models. These limiting conditions are too restrictive to handle realistic problems in track fitting. A previous extension to heteroscedastic models of the Cramer-Rao-Frechet inequalities was performed with Gaussian distributions. These demonstrations proved beyond any possible doubts the superiority of the heteroscedastic models compared to the standard least squares method. However, the Gaussian distributions are typical members of the required regular models. Instead, the realistic probability distributions, encountered in tracker detectors, are very different from Gaussian distributions. Therefore, to have well grounded set of inequalities, the limitations to regular models must be overtaken. The aim of this paper is to demonstrate the inequalities for least squares estimators for irregular models of probabilities, explicitly excluded by the Cramer-Rao-Frechet demonstrations. Estimators for straight and parabolic tracks will be considered. The final part deals with the form of the distributions of simplified heteroscedastic track models reconstructed with optimal estimators and the standard (non-optimal) estimators. A comparison among the distributions of these different estimators shows the large loss in resolution of the standard least-squares estimators.

研究の動機と目的

• 実際の検出器条件、特にヒット分布が非ガウス的で不規則な状況下でも、標準的最小二乗法がトラック再構成に於いて非最適であることを確立すること。
• 正則モデルを超えて、長方形分布やコーシー型の分布のような不規則な確率分布を含むCramér-Rao-Fréchet分散不等式を拡張すること。
• 非ガウス的ヒット確率密度関数（PDF）を有する状況でも、不均一分散最小二乗推定器が標準最小二乗法を上回る分解能を達成することを示すこと。
• 古典的Cramér-Rao理論では解析的に扱えない長方形ヒット分布モデルを用いたシミュレーションを通じて、分解能向上の定量的評価を行うこと。
• 最大尤度推定器が、非ガウス的モデルにおいて不均一分散最小二乗法を上回る分解能向上を達成できることを示すこと。

提案手法

• 不規則な確率モデル下での最小二乗推定器の分散不等式を、形式的恒等式および逆分散の重み付き平均表現を用いて導出する。
• 大数の法則を適用し、モンテカルロシミュレーションから得たフィットしたトラックパラメータの経験的確率分布の最大値を再構成する。
• 長方形ヒット確率密度関数（PDF）を用いたトロイモデルを、不規則モデルのプロトタイプとして用い、ガウス分布および三角形分布と対比する。
• 異なる検出器レイヤー数（N = 2 から 13）における、標準的（均一分散）および不均一分散最小二乗フィットの方向推定器の線形形状を比較する。
• 有効分散と経験的分布の最大値を計算し、$1/\sqrt{2\pi\Sigma_l}$ の形を用いて、異なるモデル間での分解能を比較する。
• 磁場強度や信号対雑音比といった物理的パラメータと分解能向上の相関関係を、先行研究[4]と同様に分析する。

実験結果

リサーチクエスチョン

• RQ1 長方形分布やコーシー型の分布のような不規則な確率モデルに、Cramér-Rao-Fréchet不等式枠組みを拡張できるか。これは、実際のシリコントラッカー検出器に一般的に見られる。
• RQ2 実際の検出器システムに一般的な非ガウス的・不均一分散ヒット分布に対して、標準的最小二乗法が依然として非最適なままであるか。
• RQ3 長方形ヒットPDFを持つ現実的で非ガウス的トロイモデルにおいて、不均一分散推定器が標準的最小二乗法を上回る分解能向上をどの程度達成できるか。
• RQ4 異なるフィッティング手法における、経験的パラメータ分布（例えば、トラック方向）の最大値が、検出器レイヤー数Nとともにどのようにスケーリングするか。
• RQ5 非ガウス的モデルにおいて、最大尤度推定器が不均一分散最小二乗法を上回る分解能向上を達成できるか。また、ガウス分布に基づくモデルと比較するとどうなるか。

主な発見

• 標準的最小二乗法は、不規則なモデルに対しても非最適であることが証明された。これは、他の推定器と比較して最小分散に達しないことによる。
• 長方形ヒットPDFモデルでは、不均一分散最小二乗推定器が、N = 7レイヤーで標準的最小二乗法の2.4倍の分解能向上を達成した。
• 不均一分散フィットでは、方向推定器の経験的分布の最大値がレイヤー数Nに線形に増加するが、標準的最小二乗法では$\sqrt{N}$の増加にとどまる。
• ガウス分布、長方形分布、三角形分布の間で、フィットしたトラック方向分布の線形形状はほぼ同一であるが、最大値は顕著に異なる。ガウス分布が最も高いピークを示す。
• 不均一分散フィットでは、有効分散$\Sigma_{\text{eff}}$がNに強く依存するが、標準的フィットではN > 3以降は分散がほぼ一定である。
• 最大尤度推定器は、非ガウス的モデルにおいてさらに分解能を向上させることができ、ガウス分布に基づくモデルですら最適手法の中でも非最適である可能性を示唆している。