[논문 리뷰] Unfolding with Gaussian Processes

A. J. Bozson, G. Cowan외 1명|arXiv (Cornell University)|2018. 11. 03.

Gaussian Processes and Bayesian Inference참고 문헌 15인용 수 4

한 줄 요약

이 논문은 입자물리학에서 검출기로 흐릿해진 데이터로부터 진짜 확률분포를 재구성하기 위해 가우시안 프로세스(GPs)를 사용하는 새로운 베이지안 언폴딩 방법을 제안한다. 진짜 분포를 GP 사전분포로 간주하고 최대우도 추정치에 조건을 줌으로써, 부드럽고 정규화된 추정치를 제공하며, 전체 불확실성, 특히 언폴딩 결과의 통계적으로 일관된 공분산 행렬까지 정량화한다.

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.

연구 동기 및 목표

• 기본 분포의 기능 형태에 대한 가정 없이도 융통성 있고 비모수적인 언폴딩 방법을 개발하기 위해.
• GP 커널 설계를 통해 진짜 분포의 형태와 부드러움에 대한 사전 지식을 통합하기 위해.
• 완전한 공분산 행렬을 포함한 통계적으로 엄밀한 언폴딩 분포 추정치를 제공하기 위해.
• 스펙트럼 전반에 걸쳐 GP 커널을 변화시켜 국소적으로 적응 가능한 정규화를 가능하게 하기 위해.
• 기본적인 입자물리학 언폴딩 워크플로우(예: 배경 제거 및 불확실성 전파 포함)와 호환되는 프레임워크를 제공하기 위해.

제안 방법

• 이 방법은 가능한 진짜 분포에 대한 사전분포를 정의하기 위해 가우시안 프로세스 회귀를 사용하며, 커널은 부드러움과 구조에 대한 사전 믿음을 표현한다.
• 최대 사후확률(MAP) 추정치는 관측된 데이터의 우도와 GP 사전분포를 결합하여 후보분포의 우도를 최대화함으로써 유도된다.
• 결과로 도출된 추정치는 진짜 분포의 최대우도 추정치에 조건을 줘서 정의된 GP의 평균 함수와 동일하며, 자연스러운 베이지안 해를 제공한다.
• 정규화는 GP 커널에 자연스럽게 내장되어 있으며, 스펙트럼의 다양한 영역에서 부드러움을 국소적으로 제어할 수 있다.
• 언폴딩 추정치의 전체 공분산 행렬은 GP 추론 과정의 일부로 확보되며, 완전한 불확실성 정량화를 가능하게 한다.
• 배경 기여는 언폴딩 적용 전에 데이터에서 제거함으로써 처리되며, 표준 관행과 일관성을 유지한다.

실험 결과

연구 질문

• RQ1 가우시안 프로세스는 비모수적 언폴딩에 효과적으로 활용될 수 있는가? 특히 적절한 정규화가 이루어지는가?
• RQ2 伝통적인 파rametric 또는 고정된 부드러움 방법과 비교해 볼 때, GP 기반 언폴딩 방법은 정확도와 불확실성 정량화 측면에서 어떻게 다른가?
• RQ3 GP 커널의 선택을 통해 언폴딩 과정의 정규화를 국소적으로 적응 가능하게 만들 수 있는가?
• RQ4 이 방법은 언폴딩 분포에 대해 일관적이고 완전한 공분산 행렬을 제공하는가?
• RQ5 이 방법은 이중모달 또는 감소 스펙트럼과 같은 복잡한 비정상적인 분포에서도 잘 작동하는가?

주요 결과

• GP 기반 언폴딩 방법은 데이터 우도와 GP 사전분포를 조합함으로써 기저 진짜 분포의 매끄럽고 정규화된 추정치를 생성한다.
• 결과로 도출된 추정치는 최대우도 추정치에 조건을 줘서 정의된 GP의 평균 함수와 동일하며, 자연스러운 베이지안 해를 제공한다.
• 언폴딩 분포의 전체 통계적 공분산 행렬은 추론 과정의 일부로 확보되며, 엄밀한 불확실성 전파를 가능하게 한다.
• GP 커널을 통해 스펙트럼의 다양한 영역에 맞게 국소적으로 조절 가능한 정규화가 가능하며, 사전 지식에 기반해 영역별로 조정할 수 있다.
• 이 방법은 이중모달 및 감소 스펙트럼 예제 모두에서 강건하게 작동하며, 정확한 재구성과 적절한 불확실성 추정치를 보여준다.
• 배경 제거는 데이터 벡터를 배경 제거된 개수로 대체함으로써 확장 가능하며, 표준 분석 워크플로우와의 일관성을 유지한다.