[论文解读] Normalizing Flows for Hierarchical Bayesian Analysis: A Gravitational Wave Population Study

David Ruhe, Kaze W. K. Wong+2 more|arXiv (Cornell University)|Nov 15, 2022

Pulsars and Gravitational Waves Research被引用 5

一句话总结

本文提出在分层贝叶斯分析（HBA）框架下使用归一化流来建模引力波源的群体分布，实现即使在小样本、高噪声数据集上也能进行灵活且无偏的推断。尽管数据有限，该方法仍能恢复复杂的群体结构（如多模态质量分布和自旋-红移相关性），其结果与先前的物理现象模型一致，同时减少了模型引入的偏差。

ABSTRACT

We propose parameterizing the population distribution of the gravitational wave population modeling framework (Hierarchical Bayesian Analysis) with a normalizing flow. We first demonstrate the merit of this method on illustrative experiments and then analyze four parameters of the latest LIGO/Virgo data release: primary mass, secondary mass, redshift, and effective spin. Our results show that despite the small and notoriously noisy dataset, the posterior predictive distributions (assuming a prior over the parameters of the flow) of the observed gravitational wave population recover structure that agrees with robust previous phenomenological modeling results while being less susceptible to biases introduced by less flexible models. Therefore, the method forms a promising flexible, reliable replacement for population inference distributions, even when data is highly noisy.

研究动机与目标

• 开发一种用于引力波群体研究中分层贝叶斯推断的灵活、非参数化方法。
• 减少因假设群体分布形式过于简单（如幂律）而引入的人为偏差。
• 通过利用归一化流作为灵活的密度估计器，实现在小样本、高噪声数据集上的稳健推断。
• 通过在流参数上设定先验，提供具有可信区间、可解释的后验预测分布。
• 展示该方法在恢复已知群体结构以及发现传统模型所遗漏的隐藏相关性方面的能力。

提出的方法

• 使用具有可学习参数 $ \mathbf{w} $ 的归一化流对群体分布 $ p(\bm{\theta}|\mathbf{w}) $ 进行参数化，基础分布为标准高斯分布。
• 采用分层贝叶斯模型，为 $ \mathbf{w} $ 赋予先验 $ p(\mathbf{w}) $，从而实现后验预测推断 $ p(\bm{\theta}_{N+1}|\mathbf{X}) = \mathbb{E}_{p(\mathbf{w}|\mathbf{X})}[p(\bm{\theta}_{N+1}|\mathbf{w})] $。
• 使用随机优化（Adam）在事件的迷你批次和后验样本上训练流，最小化观测数据在HBA模型下的负对数似然。
• 采用平面流和块神经自回归流，以建模参数空间中复杂的非线性依赖关系（如质量、自旋、红移）。
• 对输入参数（如对数质量、logit自旋）进行变换，以提高流训练的稳定性和分布拟合效果。
• 使用哈密顿蒙特卡洛从 $ p(\mathbf{w}|\mathbf{X}) $ 中抽样，从而实现后验预测分布中的不确定性量化。

实验结果

研究问题

• RQ1 在小样本、高噪声的引力波数据下，归一化流能否有效建模复杂且多模态的群体分布？
• RQ2 与传统的现象学模型相比，基于流的HBA方法在恢复已知群体结构方面的表现如何？
• RQ3 该方法在多大程度上减少了因假设简单函数形式（如幂律）而引入的偏差？
• RQ4 该方法能否发现标准建模方法所遗漏的数据中隐藏的相关性和特征？
• RQ5 不同的流架构和超参数在多大程度上影响群体分布恢复的保真度？

主要发现

• 在合成的双峰示例中，归一化流成功恢复了真实群体分布，优于对后验样本进行平均的启发式方法。
• 在基于已发表模型生成的合成数据上，该流方法准确恢复了主质量、次质量、有效自旋和红移的复杂联合分布，包括相关性和非高斯特征。
• 在真实GWTC-3数据（76个事件）上的应用中，该方法生成的后验预测分布与以往稳健的物理现象学结果一致，即使在测量不确定性较高的情况下也成立。
• 该方法揭示了简单模型（如假设幂律或高斯形式）容易忽略的细微群体结构和相关性。
• 通过在流参数上设定先验，能够生成可解释且校准良好的新群体事件可信区间。
• 即使在数据有限且噪声较高的情况下，该方法仍保持稳定和有效，10层平面流和每事件32个后验样本的设置有效防止了过拟合。