[論文レビュー] Minimax Goodness-of-Fit Testing in Ill-Posed Inverse Problems with Partially Unknown Operators

Clément Marteau, Theofanis Sapatinas|arXiv (Cornell University)|Mar 30, 2015

Numerical methods in inverse problems参考文献 28被引用数 5

ひとこと要約

本稿は、演算子の特異関数は既知だが特異値がガウスノイズで観測される、悪く設定された逆問題における適合度検定のミニマックス分離レートを確立する。部分的に未知の演算子を持つガウス列モデルを用いて、4つの悪く設定された問題のクラス（普通滑らかでやや悪く設定された、および超滑らかでやや悪く設定された）におけるミニマックス分離半径の非漸近的下界と上界を導出する。得られたレートは、ノイズレベルεとσに依存し、鋭いものである。

ABSTRACT

We consider a Gaussian sequence model that contains ill-posed inverse problems as special cases. We assume that the associated operator is partially unknown in the sense that its singular functions are known and the corresponding singular values are unknown but observed with Gaussian noise. For the considered model, we study the minimax goodness-of-fit testing problem. Working with certain ellipsoids in the space of squared-summable sequences of real numbers, with a ball of positive radius removed, we obtain lower and upper bounds for the minimax separation radius in the non-asymptotic framework, i.e., for fixed values of the involved noise levels. Examples of mildly and severely ill-posed inverse problems with ellipsoids of ordinary-smooth and super-smooth sequences are examined in detail and minimax rates of goodness-of-fit testing are obtained for illustrative purposes.

研究の動機と目的

• 悪く設定された逆問題におけるミニマックス適合度検定のギャップを埋める。ここでは特異関数は既知だが特異値がノイズで観測される。
• 特異値が完全に不明だがガウスノイズで推定される状況におけるガウス列モデルで、非漸近的ミニマックス分離半径を確立する。
• 測定ノイズ（ε）と演算子ノイズ（σ）の両方が、悪く設定された逆問題における信号の検出可能性に与える影響を分析する。
• 4つの代表的ケース（普通滑らかでやや悪く設定された、超滑らかでやや悪く設定された、普通滑らかで重度に悪く設定された、超滑らかで重度に悪く設定された）における分離半径の鋭いミニマックス下界と上界を導出する。
• ノイズのある演算子知識を伴う逆問題における信号検出と適合度検定の理論的基盤を提供し、既存の結果を部分的に観測された演算子にまで拡張する。

提案手法

• 信号θjが、未知の特異値bjを持つ線形演算子を通じて観測されるガウス列モデル（GSM）を定式化する。bjはXj = bj + σηjとしてガウスノイズで観測される。
• 特異値分解（SVD）を用いて逆問題をモデル化する。特異関数（ϕj, ψj）は既知だが特異値{bj}j∈Nは未知であり、それらはガウスノイズ付きの観測から推定される。
• H0: θ = θ0 に対するH1: θ ∈ Θa(ρ) の検定におけるミニマックス分離半径rε,σを分析する。ここでθは半径ρの球を除いた楕円体に属する。
• SVDの構造と集中不等式を活用し、ε（信号ノイズ）に依存する2次項とσ（演算子ノイズ）に依存する1次項を組み合わせることで、ミニマックス分離半径の上界と下界を導出する。
• 4つの具体的なケースにミニマックス検定フレームワークを適用する：(i) やや悪く設定された普通滑らか関数、(ii) やや悪く設定された超滑らか関数、(iii) 重度に悪く設定された普通滑らか関数、(iv) 重度に悪く設定された超滑らか関数。
• ガウス・ホワイトノイズモデルとガウス列モデルの漸近的同等性を用い、[14]および[11]の既知の結果に基づいてε依存項の鋭いレートを導出する。

実験結果

リサーチクエスチョン

• RQ1 悪く設定された逆問題におけるコンパクト演算子の特異値がガウスノイズでしか観測されない場合、適合度検定のミニマックス分離レートは何か？
• RQ2 ノイズレベルε（信号ノイズ）とσ（演算子ノイズ）が、逆問題における帰無仮説からの逸脱の検出可能性にどのように作用するか？
• RQ3 普通滑らかでやや悪く設定された、および超滑らかでやや悪く設定された関数を伴う非漸近的領域における、鋭いミニマックス分離レートは何か？
• RQ4 特異値の減衰構造（多項式対指数的）が、演算子が部分的にしか分かっていない場合のミニマックス検定レートにどのように影響するか？
• RQ5 ミニマックス分離半径が信号ノイズεと演算子ノイズσのトレードオフによって特徴付けられるか。また、どちらのノイズが支配的になる領域は何か？

主な発見

• やや悪く設定された問題で普通滑らか関数の場合、ミニマックス分離半径は ˜r²ε,σ ≳ ε^(4s/(2s+2t+1/2)) ∨ σ²(min(s/t, 1)) を満たし、信号ノイズと演算子ノイズの間のトレードオフが現れる。
• やや悪く設定された問題で超滑らか関数の場合、ミニマックスレートは ˜r²ε,σ ≳ ε²[ln(1/ε)]^(2t+1/2) ∨ σ² であり、超滑らか減衰に起因する対数項が現れる。
• 重度に悪く設定された問題で普通滑らか関数の場合、ミニマックスレートは ˜r²ε,σ ≳ [ln(1/ε)]^(-2s) ∨ [ln(1/σ)]^(-2s) であり、εとσの両方が分離レートに対数的に寄与することが示される。
• 重度に悪く設定された問題で超滑らか関数の場合、レートは ˜r²ε,σ ≳ ε^(2s/(s+t)) ∨ σ²(min(s/t, 1)) であり、滑らかさと減衰率の比s/tに臨界的な依存性がある。
• ミニマックス分離半径は、信号ノイズ（ε）と演算子ノイズ（σ）のうち、減衰が遅い方の項によって支配され、レートはより困難な要因によって決定される。
• 導出された境界は、ε, σ ∈ (0,1) の非漸近的領域で鋭く、結果は悪く設定された問題の全範囲と滑らかさクラスにまで拡張可能であり、ミニマックス検定レートの完全な特徴付けを提供する。