[論文レビュー] Unfolding with Gaussian Processes

A. J. Bozson, G. Cowan+1 more|arXiv (Cornell University)|Nov 3, 2018

Gaussian Processes and Bayesian Inference参考文献 15被引用数 4

ひとこと要約

この論文は、素粒子物理学における検出器による歪んだデータから真の確率分布を再構築するための、ガウス過程（GPs）を用いた新しいベイジアンアンフォールディング手法を提案する。真の分布をGP事前分布として扱い、尤度推定値に条件づけることで、滑らかで正則化された推定器が得られ、不確実性が完全に定量化され、アンフォールド結果の統計的に整合性のある共分散行列を含む。

ABSTRACT

A method to perform unfolding with Gaussian processes (GPs) is presented. Using Bayesian regression, we define an estimator for the underlying truth distribution as the mode of the posterior. We show that in the case where the bin contents are distributed approximately according to a Gaussian, this estimator is equivalent to the mean function of a GP conditioned on the maximum likelihood estimator. Regularisation is introduced via the kernel function of the GP, which has a natural interpretation as the covariance of the underlying distribution. This novel approach allows for the regularisation to be informed by prior knowledge of the underlying distribution, and for it to be varied along the spectrum. In addition, the full statistical covariance matrix for the estimator is obtained as part of the result. The method is applied to two examples: a double-peaked bimodal distribution and a falling spectrum.

研究の動機と目的

• 真の分布の関数形に関する仮定を避ける、柔軟で非パラメトリックなアンフォールディング手法の開発。
• GPカーネル設計を通じて、真の分布の形状と滑らかさに関する事前知識を組み込む。
• 完全な共分散行列を含む、統計的に厳密なアンフォールド分布推定と不確実性の提供。
• スペクトル全体にわたり、GPカーネルを変化させることで局所的に適応する正則化の実現。
• 標準的な素粒子物理学のアンフォールディングワークフロー（バックグラウンド差し引きと不確実性伝搬を含む）と互換性を持つフレームワークの提供。

提案手法

• 本手法は、ガウス過程回帰を用いて、可能な真の分布の事前分布を定義し、カーネルが滑らかさや構造に関する事前信念を符号化する。
• 最大後確信度（MAP）推定器は、観測データの尤度とGP事前分布を組み合わせて後確信度を最大化することで導出される。
• 得られる推定器は、真の分布の尤度推定値に条件づけられたGPの平均関数に等しく、自然なベイズ的解が得られる。
• 正則化はGPカーネルに自然に埋め込まれており、スペクトルの異なる領域における滑らかさを局所的に制御可能である。
• アンフォールド推定器の完全な共分散行列は、GP推論の一部として得られ、完全な不確実性定量化が可能となる。
• バックグラウンド寄与は、アンフォールディングを適用する前にデータから差し引くことで処理され、標準的手法と整合性を保つ。

実験結果

リサーチクエスチョン

• RQ1 ガウス過程は、適切な正則化を伴って、素粒子物理学における非パラメトリックなアンフォールディングに効果的に適用可能か？
• RQ2 従来のパラメトリック手法や固定滑らかさ手法と比較して、GPベースのアンフォールディング手法は、正確性と不確実性定量化の観点でどのように異なるか？
• RQ3 GPカーネルの選択によって、アンフォールディングプロセスの正則化を局所的に適応可能にすることができるか？
• RQ4 本手法は、アンフォールド分布に対して一貫的かつ完全な共分散行列を提供するか？
• RQ5 本手法は、二峰性や低下スペクトルなど、複雑で非自明な分布に対して、どの程度の性能を示すか？

主な発見

• GPベースのアンフォールディング手法は、データ尤度とGP事前分布を組み合わせることで、滑らかで正則化された真の真の分布推定が得られる。
• 得られる推定器は、尤度推定値に条件づけられたGPの平均関数に等しく、自然なベイズ的解が得られる。
• アンフォールド分布の完全な統計的共分散行列は、推論の一部として得られ、厳密な不確実性伝搬が可能となる。
• GPカーネルを通じて、スペクトルの異なる領域に応じて正則化を局所的に調整可能であり、事前知識に基づいて適応可能である。
• 本手法は二峰性分布および低下スペクトルの両方に対して頑健であり、適切な不確実性推定を伴う正確な再構築を示している。
• バックグラウンド差し引きは、データベクトルをバックグラウンド差し引き済みカウントに置き換えることで拡張可能であり、標準的な解析ワークフローと整合性を保つ。