[논문 리뷰] How to obtain the redshift distribution from probabilistic redshift estimates

Alex I. Malz, David W. Hogg|arXiv (Cornell University)|2020. 07. 23.

Gaussian Processes and Bayesian Inference인용 수 7

한 줄 요약

이 논문은 광학적 적색편이 확률밀도함수(PDFs)에서 적색편이 분포 $n(z)$를 정확히 복원하기 위해, 적색편이 불확실성을 고려하면서도 PDFs를 점추정치로 압축하지 않는 통계적으로 엄밀한 확률적 그래픽 모델인 CHIPPR를 제안한다. 기존의 스택드 추정기법이 신호대잡음비가 낮을수록 체계적으로 편향됨을 증명하고, 오직 명시적인 사전분포를 포함한 방법—예를 들어 CHIPPR처럼—이 사진적 적색편이 PDFs로부터 자율적이고 편향 없는 추론을 가능하게 함을 보여준다.

ABSTRACT

A trustworthy estimate of the redshift distribution $n(z)$ is crucial for using weak gravitational lensing and large-scale structure of galaxy catalogs to study cosmology. Spectroscopic redshifts for the dim and numerous galaxies of next-generation weak-lensing surveys are expected to be unavailable, making photometric redshift (photo-$z$) probability density functions (PDFs) the next-best alternative for comprehensively encapsulating the nontrivial systematics affecting photo-$z$ point estimation. The established stacked estimator of $n(z)$ avoids reducing photo-$z$ PDFs to point estimates but yields a systematically biased estimate of $n(z)$ that worsens with decreasing signal-to-noise, the very regime where photo-$z$ PDFs are most necessary. We introduce Cosmological Hierarchical Inference with Probabilistic Photometric Redshifts (CHIPPR), a statistically rigorous probabilistic graphical model of redshift-dependent photometry, which correctly propagates the redshift uncertainty information beyond the best-fit estimator of $n(z)$ produced by traditional procedures and is provably the only self-consistent way to recover $n(z)$ from photo-$z$ PDFs. We present the $ exttt{chippr}$ prototype code, noting that the mathematically justifiable approach incurs computational expense. The CHIPPR approach is applicable to any one-point statistic of any random variable, provided the prior probability density used to produce the posteriors is explicitly known; if the prior is implicit, as may be the case for popular photo-$z$ techniques, then the resulting posterior PDFs cannot be used for scientific inference. We therefore recommend that the photo-$z$ community focus on developing methodologies that enable the recovery of photo-$z$ likelihoods with support over all redshifts, either directly or via a known prior probability density.

연구 동기 및 목표

• 약한 렌징 및 대규모 구조 우주론에서 사진적 적색편이(photometric redshift, photo-$z$) 확률밀도함수(PDFs)로부터 적색편이 분포 $n(z)$를 편향 없고 통계적으로 일관된 방법으로 복원할 수 있는 필요성을 해결하는 것.
• PDFs를 점추정치로 압축함으로써 발생하는 편향이 낮은 신호대잡음비에서 악화되는, 널리 사용되는 $n(z)$의 스택드 추정기법의 체계적 편향을 규명하고 수정하는 것.
• 사진적 적색편이 PDFs로부터 유효한 과학적 추론을 가능하게 하기 위해서는 명시적인 사전분포를 포함한 방법뿐이 가능하며, 특히 표준 사진적 적색편이 파ip라인에서 은밀한 사전분포가 존재할 경우 필수적이라는 것을 입증하는 것.
• 적색편이 불확실성을 계층적 추론을 통해 전파하는 수학적으로 타당한 프레임워크—CHIPPR—를 제공함으로써 $n(z)$의 자율적이고 일관된 복원을 보장하는 것.
• 사진적 적색편이 커뮤니티가 전체 가능도 또는 명시적인 사전분포를 출력하는 방법을 우선시하여, 엄밀한 통계적 추론이 가능하도록 해야 한다는 것을 주장하는 것.

제안 방법

• 진정한 $n(z)$의 초모수 $\boldsymbol{\phi}$로 간주되는 적색편이 분포 $n(z)$를 처리하고, 관측된 광학적 보정과 진짜 적색편이 간의 공동분포를 확률적 그래픽 모델로 모델링하는 계층적 베이지안 모델인 CHIPPR를 개발한다.
• 베이즈의 정리를 사용하여 진짜 $n(z)$의 초모수 $\boldsymbol{\phi}$에 대한 전체 로그사후분포를 유도하며, 관측 가능한 양들—사진적 적색편이 PDFs와 암묵적 사전분포 $\mathrm{p}(z\mid\boldsymbol{\phi}^*)$—에만 의존하는 적분 형태로 표현한다.
• 암묵적 사전분포 $\boldsymbol{\phi}^*$를 명시적으로 도입함으로써 접근 불가능한 가능도를 접근 가능한 사후분포로 전환하여, 알려진 사진적 적색편이 PDFs를 체계적인 추론 프레임워크에 활용할 수 있도록 한다.
• 주요 식(A.10)인 전체 로그사후분포를 유도하며, 이는 진짜 $n(z)$ 하에서 데이터의 로그가능도와 사전분포의 로그합으로 구성되며, 몬테카를로-마르코프 체인(MCMC) 샘플링에 적합하다.
• 진짜 적색편이 PDFs를 가진 은하 샘플에서 $n(z)$를 복원하기 위해 모델을 적용하여, 불확실성과 체계적 오차가 추론 과정 전반에 걸쳐 적절히 전파됨을 보장한다.
• 사전분포가 명시적으로 알려져 있을 경우에만 사진적 적색편이 PDFs로부터 $n(z)$를 복원하는 데 있어 유일하게 자율적이고 일관된 방법임을 증명하며, 암묵적 사전분포가 존재할 경우 추론이 본질적으로 무효해진다는 것을 보여준다.

실험 결과

연구 질문

• RQ1 전체 PDFs를 점추정치로 압축하지 않고도 통계적으로 엄밀한 방법이 사진적 적색편이 PDFs로부터 진짜 적색편이 분포 $n(z)$를 복원할 수 있는가?
• RQ2 표준 스택드 추정기법이 왜 낮은 신호대잡음비 영역에서 체계적 편향을 유발하는가?
• RQ3 사진적 적색편이 PDFs로부터 유효한 과학적 추론을 가능하게 하기 위한 조건은 무엇이며, 실무적으로 어떻게 확보할 수 있는가?
• RQ4 우주론적 조사에서 적색편이 불확실성과 체계적 오차를 계층적 추론 과정에 정확히 전파하는 방법은 무엇인가?
• RQ5 사진적 적색편이 PDFs로부터 $n(z)$를 추론하는 데 있어 수학적으로 유일하고 자율적인 방법이 존재하는가? 만약 그렇다면 그 형태는 무엇인가?

주요 결과

• 표준 스택드 추정기법은 PDFs를 점추정치로 압축함으로써 낮은 신호대잡음비에서 특히 체계적으로 편향됨을 입증한다.
• CHIPPR는 적색편의 광학적 보정에 대한 계층적 구조를 명시적으로 모델링함으로써 사진적 적색편이 PDFs로부터 $n(z)$를 수학적으로 엄밀하고 자율적으로 복원하는 프레임워크를 제공한다.
• 이 방법의 전체 로그사후분포(식 A.10)는 관측 가능한 양들—사진적 적색편이 PDFs와 암묵적 사전분포 $\mathrm{p}(z\mid\boldsymbol{\phi}^*)$—에만 의존하므로, MCMC를 통해 계산적으로 실현 가능하다.
• 논문은 오직 명시적인 사전분포를 포함한 방법만이 유효한 추론을 가능하게 하며, 많은 현재의 사진적 적색편이 파이프라인에서처럼 사전분포가 암묵적일 경우, PDFs로부터의 과학적 추론은 본질적으로 무효하다는 것을 증명한다.
• 저자들은 사진적 적색편이 커뮤니티가 전체 가능도 또는 명시적인 사전분포를 출력하는 방법을 우선시해야 하며, 이를 통해 엄밀한 통계적 추론과의 호환성을 확보해야 한다고 권고한다.
• CHIPPR는 사전분포가 명시적으로 알려져 있을 경우에만 $n(z)$를 복원하는 데 있어 유일하게 증명 가능한 올바른 방법으로 제시되며, 단지 기존 추정기법보다 계산 비용이 더 높다는 점을 고려해야 한다.