[论文解读] Bayesian Nonparametric Spectral Estimation

Felipe Tobar|arXiv (Cornell University)|Sep 6, 2018

Gaussian Processes and Bayesian Inference被引用 13

一句话总结

本文提出贝叶斯非参数谱估计（BNSE），这是一种新颖的非参数贝叶斯框架，通过使用高斯过程联合建模信号与谱，实现精确的贝叶斯推断。通过利用高斯过程先验的傅里叶变换，BNSE 提供了一种解析可处理的、具有函数形式的后验功率谱密度（PSD），能够自然地处理噪声、非均匀采样数据中的不确定性，其在不确定性量化和周期性检测方面优于经典方法（如 Lomb-Scargle）。

ABSTRACT

Spectral estimation (SE) aims to identify how the energy of a signal (e.g., a time series) is distributed across different frequencies. This can become particularly challenging when only partial and noisy observations of the signal are available, where current methods fail to handle uncertainty appropriately. In this context, we propose a joint probabilistic model for signals, observations and spectra, where SE is addressed as an exact inference problem. Assuming a Gaussian process prior over the signal, we apply Bayes' rule to find the analytic posterior distribution of the spectrum given a set of observations. Besides its expressiveness and natural account of spectral uncertainty, the proposed model also provides a functional-form representation of the power spectral density, which can be optimised efficiently. Comparison with previous approaches, in particular against Lomb-Scargle, is addressed theoretically and also experimentally in three different scenarios. Code and demo available at https://github.com/GAMES-UChile/BayesianSpectralEstimation.

研究动机与目标

• 解决现有谱估计方法中缺乏一种能处理缺失、噪声和非均匀采样数据中不确定性的非参数、贝叶斯且可解析处理的框架的问题。
• 克服经典参数化与非参数化方法（如周期图法和 Lomb-Scargle）的局限性，后者无法有效表示不确定性或需依赖启发式误差条。
• 通过高斯过程构建信号与谱的联合生成模型，以实现对功率谱密度（PSD）的精确后验推断。
• 提供具有函数形式的后验 PSD，从而可在无需穷举搜索或昂贵非凸优化的情况下，高效优化周期性成分。
• 在真实时间序列（包括心率信号和太阳黑子数据）上验证方法的鲁棒性，证明其能从有限、噪声较大的观测中恢复真实的谱特征。

提出的方法

• 将潜在信号建模为具有平稳协方差核的高斯过程（GP），以实现对时间结构的非参数建模。
• 应用贝叶斯规则，基于 GP 先验的傅里叶变换，推导出给定观测数据下谱的解析后验分布。
• 以前验 PSD 的闭式表达形式表示后验功率谱密度（PSD），即 GP 协方差函数的傅里叶变换，从而实现精确推断。
• 利用后验 PSD 的函数形式，通过无导数方法（如 Powell 方法）高效优化谱峰，避免昂贵的网格搜索。
• 通过 GP 框架自然地传播不确定性，其中缺失或噪声观测通过后验分布的边缘化处理。
• 利用 GP 与傅里叶变换之间的共轭结构，避免使用蒙特卡洛或变分近似，确保推断的可处理性与精确性。

实验结果

研究问题

• RQ1 能否构建一种非参数贝叶斯模型用于谱估计，使其能内在地处理噪声和非均匀采样数据中的不确定性？
• RQ2 通过高斯过程对信号与谱进行联合生成建模，是否能获得对功率谱密度（PSD）的可处理、可解析求解的后验分布？
• RQ3 后验 PSD 的函数形式是否能实现无需依赖非凸优化或穷举搜索的周期性成分高效优化？
• RQ4 与经典方法（如 Lomb-Scargle 和基于 GP 的谱混合模型）相比，所提出方法在不确定性量化和谱峰检测方面表现如何？
• RQ5 BNSE 是否能泛化到未见数据，并在仅用不同信号进行训练的情况下，从有限、噪声较大的观测中恢复真实的谱特征？

主要发现

• BNSE 提供了谱的精确、解析后验分布，实现了原则性的不确定性量化，无需依赖自助法或蒙特卡洛近似。
• 后验功率谱密度（PSD）以函数形式表达，支持线性时间复杂度的谱峰优化，与谱混合 GP 模型中的非凸优化相比，计算成本显著降低。
• 在心率信号实验中，即使仅用 10% 数据训练并在不同未见信号上测试，BNSE 的后验 PSD 仍包含真实值（全数据集上 Lomb-Scargle 的结果）。
• 在太阳黑子数据集中，BNSE 成功将真实的 11 年周期（频率 ≈ 0.089）识别为后验 PSD 的全局最大值，而谱混合 GP 和 Lomb-Scargle 在基于梯度的优化下均未能收敛。
• BNSE 的谱估计在主瓣宽度上与 Lomb-Scargle 一致，且其不确定性区间包含 LS 估计值，表明其不确定性校准可靠。
• 该方法对非平稳性和非高斯性具有鲁棒性，如在非平稳太阳黑子序列中成功恢复了周期性，尽管其他方法收敛性差。