[論文レビュー] SuperNest: Accelerated Nested Sampling Applied to Astrophysics and Cosmology

Aleksandr Petrosyan, Will Handley|arXiv (Cornell University)|Dec 4, 2022

Bayesian Methods and Mixture Models被引用数 3

ひとこと要約

この論文では、事後分布再分配と提案分布を用いたスーパーネストを紹介する。これにより、ベイズ的証拠推定における時間と誤差を著しく削減できる。事前分布を再重み付けして、尤度が高い領域に集中してサンプリングするようにすることで、スーパーネストは宇宙論的ネストドサンプリング実行で最大12倍の高速化を達成し、証拠推定の精度も向上させた。これは、正規事後分布を仮定したΛCDMパrameter推定問題で実証された。

ABSTRACT

We present a method for improving the performance of nested sampling as well as its accuracy. Building on previous work we show that posterior repartitioning may be used to reduce the amount of time nested sampling spends in compressing from prior to posterior if a suitable “proposal” distribution is supplied. We showcase this on a cosmological example with a Gaussian posterior, and release the code as an LGPL licensed, extensible Python package supernest.

研究の動機と目的

• 宇宙論や天文学で一般的に見られる高次元かつマルチモーダルな事後分布におけるネストドサンプリングの高い計算コストに対処すること。
• 事前分布から事後分布への圧縮フェーズを最小限に抑えることで、証拠推定の実行時間とポisson誤差を低減すること。
• 提案分布をネストドサンプリングフレームワークに統合することで、効率的かつ正確なベイズ的モデル比較を可能にすること。
• 研究者が実世界の問題にこの手法を適用できる、柔軟でオープンソースのPythonパッケージ（supernest）を提供すること。

提案手法

• Chenら[1]の事後分布再分配技術を拡張し、有効なカルバック・ライブーラー情報量Dπ{P}を低減するように事前分布を再重み付けする。
• 複数の提案分布を確率的スーパーポジション方式で組み合わせることで、複雑な事後分布幾何におけるサンプリング効率を向上させる。
• 共分散を拡張し、事後分布中心のオフセットを持つ提案分布を用いて、ライブポイントの置き換えをガイドすることで、反復回数を削減する。
• PolyChordを下位のネストドサンプリングエンジンとし、supernestパッケージを介してインターフェースすることで、証拠と事後分布サンプルを計算する。
• 27パラメータを有する宇宙論的例題にこの手法を適用し、性能向上をテストするために正規事後分布を用いる。
• 実行時間、証拠推定の正確さ（誤差バー）、およびHigsonプロットにおける有効事前体積圧縮（ln X）を用いて性能を測定する。

実験結果

リサーチクエスチョン

• RQ1 適切に選択された提案分布を用いた事後分布再分配により、高次元問題におけるネストドサンプリングの実行時間を著しく短縮できるか？
• RQ2 提案ベースの事前分布再重み付けによって、カルバック・ライブーラー情報量Dπ{P}はどの程度低減可能であり、それが証拠推定誤差にどのように影響するか？
• RQ3 宇宙論的推論の文脈において、慎重な提案分布とよく一致する提案分布を用いた場合、ネストドサンプリングの性能はどのように変化するか？
• RQ4 この手法は、証拠推定に悪影響を及げることなく、速度と正確さの両方で一貫した改善を達成できるか？

主な発見

• スーパーネストは、標準的なネストドサンプリングと比較して、実行時間で最大12倍の高速化を達成した。証拠推定は約3分の1の時間で完了した。
• スーパーネストによる証拠推定の誤差はln Z = −110.26 ± 0.17であり、標準実行（ln Z = −110.04 ± 0.38）と比較して約2倍の精度が向上した。
• 逆ワイシャールト共分散を用いた保守的で、うまく一致しない提案分布であっても、サンプリング誤差の範囲内で一貫した証拠推定値を維持しており、ロバスト性が示された。
• 有効な事前分布から事後分布への圧縮（Higsonプロットにおける低いln X）の低減は、収束の高速化と誤差の低減と直接相関していた。
• 単一の広範な提案分布を用いても顕著な性能向上が得られたため、複数または最適化された提案分布を用いることでさらなる改善が可能であると示唆された。
• supernest PythonパッケージはLGPLライセンスでリリースされ、既存のネストドサンプリングワークフローへの拡張性と統合性を提供している。