[논문 리뷰] Maximum Entropy Spectral Analysis: an application to gravitational waves data analysis

Alessandro Martini, S. Schmidt외 2명|arXiv (Cornell University)|2021. 06. 17.

Neural Networks and Applications참고 문헌 1인용 수 8

한 줄 요약

이 논문은 파워 스펙트럼 밀도(PSD) 추정에서 웰치 방법보다 우수한 성능을 보이며, 짧고 노이즈가 많은 시간 시리즈—특히 중력파 데이터 분석에서—낮은 분산과 편향을 달성하면서 최소한의 파rameter 조정으로도 안정적인 성능을 보이는 최대 엔트로피 스펙트럼 분석(MESA)의 강건하고 오픈소스 구현을 Python 패키지 memspectrum를 통해 제시한다.

ABSTRACT

The Maximum Entropy Spectral Analysis (MESA) method, developed by Burg, offers a powerful tool for spectral estimation of a time-series. It relies on Jaynes' maximum entropy principle, allowing the spectrum of a stochastic process to be inferred using the coefficients of an autoregressive process AR($p$) of order $p$. A closed-form recursive solution provides estimates for both the autoregressive coefficients and the order $p$ of the process. We provide a ready-to-use implementation of this algorithm in a Python package called exttt{memspectrum}, characterized through power spectral density (PSD) analysis on synthetic data with known PSD and comparisons of different criteria for stopping the recursion. Additionally, we compare the performance of our implementation with the ubiquitous Welch algorithm, using synthetic data generated from the GW150914 strain spectrum released by the LIGO-Virgo-Kagra collaboration. Our findings indicate that Burg's method provides PSD estimates with systematically lower variance and bias. This is particularly manifest in the case of a small (O($5000$)) number of data points, making Burg's method most suitable to work in this regime. Since this is close to the typical length of analysed gravitational waves data, improving the estimate of the PSD in this regime leads to more reliable posterior profiles for the system under study. We conclude our investigation by utilising MESA, and its particularly easy parametrisation where the only free parameter is the order $p$ of the AR process, to marginalise over the interferometers noise PSD in conjunction with inferring the parameters of GW150914.

연구 동기 및 목표

• 중력파 데이터에서 흔한 짧은 시간 시리즈에 적용할 때 웰치 방법의 높은 분산과 편향 등의 한계를 해결하기 위해.
• 스토케스틱 프로세스 분석에서 기존 방법의 대안으로서 이론적으로 타당하고 파rameter 조정이 최소한인 최대 엔트로피 스펙트럼 분석(MESA)을 부활하고 널리 홍보하기 위해.
• 더 넓은 과학 공동체가 사용할 수 있도록 버그의 MESA 알고리즘을 위한 즉시 사용 가능한 신뢰성 있고 효율적인 Python 구현(memspectrum)을 제공하기 위해.
• 합성 및 실제 중력파 데이터에서 MESA의 성능을 평가하고, 웰치 방법과의 정량적 비교를 통해 재귀적 계수 추정에 대한 정지 기준을 평가하기 위해.
• 특히 비정상성 또는 데이터 간격이 있는 상황에서 중력파 데이터 분석의 온라인 PSD 추정 및 이상 탐지 가능성 탐색을 위해.

제안 방법

• MESA는 최대 엔트로피 원리를 활용하여, 넓은 의미의 정상 스토케스틱 프로세스의 파워 스펙트럼 밀도(PSD)를 단순히 관측되지 않은 데이터에 대한 가정을 최소화하면서 자율 회귀(AR) 프로세스의 순서 $ p $ 로 모델링한다.
• 알고리즘은 유일한 해를 갖는 Yule-Walker 방정식에서 유도된 폐쇄형 해를 사용하여 재귀적으로 AR 계수를 계산하며, 순서 $ p $ 는 아카이케 정보 기준(AIC) 또는 베이지안 정보 기준(BIC)과 같은 정지 기준에 의해 결정된다.
• PSD는 AR 계수에서 유도된 AR 프로세스의 파wer 스펙트럼의 역 푸리에 변환을 통해 추정되며, 이는 매끄럽고 물리적으로 타당한 스펙트럼 추정을 보장한다.
• 웰치 방법과 달리 창함수 적용과 데이터 분할을 피함으로써 데이터 무결성을 유지하고 사전 처리 과정에서 발생하는 인위적 편향을 줄인다.
• 구현체인 memspectrum는 LIGO-Virgo에서 공개한 노이즈 파워 스펙트럼과 비교하여 알려진 PSD를 가진 합성 데이터로 검증되었다.
• 베이지안 파라미터 추정 과정에서 잔차에 대해 PSD를 재계산함으로써 온라인 PSD 추정을 지원하며, 장기적 정상성을 가정하지 않고도 동적 노이즈 모델링이 가능하다.

실험 결과

연구 질문

• RQ1 짧은 시간 시리즈의 파워 스펙트럼 밀도(PSD) 추정에서 MESA는 웰치 방법에 비해 편향과 분산 측면에서 어떻게 성능을 발휘하는가?
• RQ2 AIC, BIC 등 정지 기준 중 어느 것이 MESA에서 자율 회귀 순서 $ p $ 의 정확하고 안정적인 추정에 가장 적합한가?
• RQ3 노이즈 특성이 비정상적인 상황에서도 MESA는 중력파 데이터 분석에서 실시간 또는 온라인 PSD 추정에 효과적으로 활용될 수 있는가?
• RQ4 LISA 관측에서 예상되는 데이터 누락이 있는 시간 시리즈에서 MESA는 이상 탐지 및 갭 메우기 성능에서 어떻게 작동하는가?
• RQ5 MESA는 모델 파라미터 $ \theta $ 의 함수로 노이즈 PSD를 동적으로 모델링할 수 있도록 베이지안 추론 파이프라인에 통합될 수 있으며, 이는 사후 분포 정확도 향상에 기여하는가?

주요 결과

• MESA는 데이터 포인트 수가 적을수록 웰치 방법보다 훨씬 낮은 분산과 편향을 보이며 일관되게 파워 스펙트럼 밀도(PSD) 추정을 수행한다.
• 재귀적 MESA 알고리즘은 알려진 PSD를 가진 합성 데이터에서 안정적으로 수렴하며, AIC와 BIC 정지 기준은 자율 회귀 순서 $ p $ 의 안정적이고 정확한 추정을 제공한다.
• memspectrum Python 패키지는 MESA를 위한 강력하고 사용자 우호적이며 효율적인 구현을 제공하며, 데이터 분석 파이프라인에 쉽게 통합할 수 있다.
• MESA는 베이지안 추론 과정에서 잔차에 대해 PSD를 재계산함으로써 정확한 온라인 PSD 추정을 가능하게 하여, 장기적 정상성을 가정하지 않고도 동적 노이즈 모델링이 가능하다.
• 이상 탐지 및 시간 시리즈의 갭 메우기와 같은 실용적 응용을 지원하며, MESA의 예측은 편차를 탐지하기 위한 신뢰할 수 있는 기준이 된다.
• 초기 결과에 따르면 MESA는 베이지안 프레임워크에서 PSD에 대한 사후 분포를 포함하도록 확장할 수 있으며, 고정된 오프라인 PSD 추정보다 더 완전한 불확실성 정량화를 제공할 수 있다.