[論文レビュー] Sparse Bayesian mass mapping with uncertainties: hypothesis testing of structure: hypothesis testing of structure

Matt A. Price, Jason D. McEwen+3 more|arXiv (Cornell University)|Dec 10, 2018

Gaussian Processes and Bayesian Inference参考文献 42被引用数 12

ひとこと要約

本稿では、ガウス分布を仮定しない弱いレンズ効果の収束マップに対して、原理的で一貫した不確実性の定量化を可能にするスパースベイジアン質量マッピング手法を提案する。逆問題をl1ノルムのスパース性事前分布を用いた凸最適化として定式化することで、最大後確信度（MAP）推定器を導出し、測度集中理論を用いて保守的な信用区間を計算する。これにより、構造の仮説検定が可能になる。シミュレーションおよびA520銀河団に適用した結果、99％信頼水準でダークコアの明確な証拠は得られず、低解像度でノイズの多いデータに内在する不確実性が浮き彫りになった。

ABSTRACT

A crucial aspect of mass-mapping, via weak lensing, is quantification of the uncertainty introduced during the reconstruction process. Properly accounting for these errors has been largely ignored to date. We present a new method to reconstruct maximum a posteriori (MAP) convergence maps by formulating an unconstrained Bayesian inference problem with Laplace-type l1-norm sparsity-promoting priors, which we solve via convex optimization. Approaching mass-mapping in this manner allows us to exploit recent developments in probability concentration theory to infer theoretically conservative uncertainties for our MAP reconstructions, without relying on assumptions of Gaussianity. For the first time these methods allow us to perform hypothesis testing of structure, from which it is possible to distinguish between physical objects and artifacts of the reconstruction. Here we present this new formalism, demonstrate the method on simulations, before applying the developed formalism to two observational datasets of the Abel-520 cluster. Initial reconstructions of the Abel-520 catalogs reported the detection of an anomalous 'dark core' -- an over dense region with no optical counterpart -- which was taken to be evidence for self-interacting dark-matter. In our Bayesian framework it is found that neither Abel-520 dataset can conclusively determine the physicality of such dark cores at 99% confidence. However, in both cases the recovered MAP estimators are consistent with both sets of data.

研究の動機と目的

• 弱いレンズ効果の質量マッピングにおける原理的で一貫した不確実性の定量化の欠如、特に非ガウス的で小スケールの構造に対して対処すること。
• ガウス分布を仮定せず、凸最適化に依存することで、MCMCベースの不確実性推定の高速でスケーラブルな代替手法を開発すること。
• 収束マップにおける構造（例えばダークコア）の仮説検定を、保守的で理論的に根拠のある信用区間を用いて可能にすること。
• 本手法の性能を、N体シミュレーションおよびA520銀河団の実観測データの両方で示すこと。
• 将来的な大規模な調査（LSSTやEuclidなど）における質量マップの解釈に統計的に厳密なフレームワークを提供すること。

提案手法

• ウェーブレット領域におけるスパース性を促進するため、ラプラス型のl1ノルム事前分布を用いて、弱いレンズ効果の逆問題を非制限ベイジアン推論問題として定式化する。
• 得られた最適化問題を凸プログラミングにより効率的に解き、最大後確信度（MAP）推定器を求める。
• 確率測度集中理論の最新の進展を活用して、MAP推定値の保守的で非ガウス的な信用区間を導出する。
• これらの信用区間を用いて、物理的特徴と再構成アーチファクトを区別する構造の仮説検定を実施する。
• 正則化パrameterの自動推定を可能にする階層ベイジアンアプローチを導入し、多様なデータセットにわたるロバストネスを向上させる。
• ボルショイN体シミュレーションおよびA520銀河団の2つの観測データセットを用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 l1正則化を用いたスパースベイジアンフレームワークは、ガウス分布を仮定せず、かつ高速に収束マップの再構成を可能にするか？
• RQ2 測度集中理論による理論的不確実性定量化は、弱いレンズ効果の質量マップに対して保守的で非ガウス的な信用区間を構築するために利用可能か？
• RQ3 ノイズが多く低解像度のデータにおいて、仮説検定は物理的構造と再構成アーチファクトをどの程度明確に区別できるか？
• RQ4 A520銀河団に報告された「ダークコア」は物理的に実在するものか、それとも再構成プロセスに起因するアーチファクトであるか？
• RQ5 本手法は、シミュレーションおよび実データにおいて、標準的なKaiser-Squires推定器と比較してどの程度高い精度を示すか？

主な発見

• 提案されたスパースベイジアン質量マッピング手法は、テストしたすべてのシミュレーションデータセットにおいて、標準的なKaiser-Squires推定器よりも著しく高い収束マップ再構成精度を達成した。
• 測度集中理論を用いた保守的で非ガウス的な不確実性定量化が可能であり、構造の仮説検定を原理的に行えるようになった。
• A520の両方のデータセットにおいて、議論のあった「ダークコア」は99％信頼水準で物理的実在を確認できず、最大ピークに敏感であるにもかかわらず、そのような証拠は得られなかった。
• グローバルな仮説検定では、2つのA520データセットが99％信頼水準で良好に一致しており、解像度やノイズレベルの違いにもかかわらず一貫性があることが示された。
• 正則化パrameter推定のための階層ベイジアンアプローチは、大多数の状況で近似的に最適な性能を示したが、極端な状況では不安定になる可能性がある。
• 本フレームワークは計算的に効率的でスケーラブルであり、将来的な大規模な弱いレンズ効果調査（LSSTやEuclidなど）に適している。