[논문 리뷰] Proofs of non-optimality of the standard least-squares method for track reconstructions

Gregorio Landi, Giovanni Landi|arXiv (Cornell University)|2020. 03. 22.

Soil Geostatistics and Mapping참고 문헌 9인용 수 4

한 줄 요약

이 논문은 표준 최소 제곱법이 비정규 분포 및 비정규적인 확률 모델(실제 실리콘 마이크로스트립 검출기에서 흔한 것들)에서도 트랙 재구성에 대해 최적임을 증명하지 못함을 보이며, Cramér-Rao-Fréchet 부등식을 정규 모델을 초월해 비정규 분포를 포함하도록 확장함으로써 이를 입증한다. 시뮬레이션을 통해 가중치가 부여된(이종분산) 최소 제곱법이 표준 최소 제곱법보다 훨씬 뛰어난 분辩도를 보이며, 직사각형 히트 분포를 가진 시뮬레이션에서 표준 최소 제곱법 대비 최대 2.4배의 향상이 가능함을 보여준다.

ABSTRACT

It is a standard criterium in statistics to define an optimal estimator the one with the minimum variance. Thus, the optimality is proved with inequality among variances of competing estimators. The inequalities, demonstrated here, disfavor the standard least squares estimators. Inequalities among estimators are connected to names of Cramer, Rao and Frechet. The standard demonstrations of these inequalities require very special analytical properties of the probability functions, globally indicated as regular models. These limiting conditions are too restrictive to handle realistic problems in track fitting. A previous extension to heteroscedastic models of the Cramer-Rao-Frechet inequalities was performed with Gaussian distributions. These demonstrations proved beyond any possible doubts the superiority of the heteroscedastic models compared to the standard least squares method. However, the Gaussian distributions are typical members of the required regular models. Instead, the realistic probability distributions, encountered in tracker detectors, are very different from Gaussian distributions. Therefore, to have well grounded set of inequalities, the limitations to regular models must be overtaken. The aim of this paper is to demonstrate the inequalities for least squares estimators for irregular models of probabilities, explicitly excluded by the Cramer-Rao-Frechet demonstrations. Estimators for straight and parabolic tracks will be considered. The final part deals with the form of the distributions of simplified heteroscedastic track models reconstructed with optimal estimators and the standard (non-optimal) estimators. A comparison among the distributions of these different estimators shows the large loss in resolution of the standard least-squares estimators.

연구 동기 및 목표

• 실제 검출기 조건에서 히트 분포가 비정규적이고 비정규적인 경우, 표준 최소 제곱법이 트랙 재구성에 비최적임을 입증하는 것.
• 표준 Cramér-Rao-Fréchet 분산 부등식을 정규 모델을 초월해 비정규 확률 분포(예: 직사각형 및 코시 유사 형태)를 포함하도록 확장하는 것.
• 기본 히트 PDF가 비정규일 경우에도 이종분산 최소 제곱 추정기가 표준 최소 제곱법보다 분辩도에서 뛰어남을 보여주는 것.
• 비정규적 분포를 가진 직사각형 히트 분포 모델을 사용한 시뮬레이션을 통해 분辩도 향상을 정량화하는 것. 이는 고전적 Cramér-Rao 이론으로서 해석이 불가능한 모델이다.
• 최대우도 추정기가 이종분산 최소 제곱법을 초월해 비정규 모델에서 분辩도를 추가로 향상시킬 수 있음을 보여주는 것.

제안 방법

• 비정규 확률 모델 하에서 최소 제곱 추정기의 분산 부등식을 도출하며, 형식적 항등식과 역분산의 가중 평균 표현식을 사용한다.
• 마르코프의 대수법칙을 적용하여 몬테카를로 시뮬레이션에서 적합된 트랙 파라미터의 경험적 확률 분포 최댓값을 재구성한다.
• 직사각형 히트 확률 밀도 함수(PDF)를 가진 단순 모델을 비정규 모델의 프로토타입으로 사용하며, 정규 및 삼각형 PDF와 대비한다.
• 다양한 검출기 층 수(N = 2에서 13까지)에 대해 표준(동분산) 및 가중치가 부여된(이종분산) 최소 제곱 적합의 방향 추정기 선형형태를 비교한다.
• 효과적 분산과 경험적 분포의 최댓값을 계산하며, 분포 간 분辩도 비교를 위해 $1/\sqrt{2\pi\Sigma_l}$ 형태를 사용한다.
• 이전 연구 [4]와 유사하게, 자기장 강도 및 신호 대 잡음 비율과 같은 물리적 매개변수와 분辩도 향상의 상관관계를 분석한다.

실험 결과

연구 질문

• RQ1 비정규 확률 모델(예: 직사각형 또는 코시 유사 분포)에 대해 Cramér-Rao-Fréchet 부등식 프레임워크를 확장할 수 있는가? 이러한 분포는 실리콘 트래커 검출기에서 흔히 나타난다.
• RQ2 실제 검출기 시스템에서 흔한 비정규적, 이종분산 히트 분포에 대해 표준 최소 제곱법이 여전히 비최적일까?
• RQ3 비정규적, 비정규적인 단순 모델(직사각형 히트 PDF)을 가진 현실적인 상황에서, 이종분산 최소 제곱 추정기의 분辩도 향상은 얼마나 정량적으로 이루어지는가?
• RQ4 다양한 적합 방법에서 경험적 파라미터 분포(예: 트랙 방향)의 최댓값은 검출기 층 수 N에 따라 어떻게 변화하는가?
• RQ5 비정규 모델에서 최대우도 추정기는 이종분산 최소 제곱법을 초월해 분辩도를 추가로 향상시킬 수 있으며, 이는 정규 기반 모델과 비교해 어떻게 다른가?

주요 결과

• 표준 최소 제곱법은 비정규 모델에서도 비최적임이 입증되었으며, 이는 경쟁 추정기 중 최소 분산을 달성하지 못하기 때문이다.
• 직사각형 히트 PDF 모델에서, 이종분산 최소 제곱 추정기는 N = 7 층일 때 표준 최소 제곱법 대비 최대 2.4배의 분辩도 향상을 달성한다.
• 이종분산 적합에서는 방향 추정기의 경험적 분포 최댓값이 층 수 N에 대해 선형적으로 증가하지만, 표준 최소 제곱법은 $\sqrt{N}$ 증가를 보인다.
• 정규, 직사각형, 삼각형 PDF 모두에서 적합된 트랙 방향 분포의 선형형태는 거의 동일하지만, 그 최댓값은 상당히 다름을 보이며, 정규 분포가 가장 높은 피크를 낸다.
• 이종분산 적합에서는 효과적 분산 $\Sigma_{\text{eff}}$ 가 N에 따라 크게 변하지만, 표준 적합에서는 N > 3 이후 거의 일정하다.
• 최대우도 추정기는 비정규 모델에서 분辩도를 추가로 향상시킬 수 있으며, 이는 정규 기반 모델이 최적 방법 중에서도 비최적일 수 있음을 시사한다.