[论文解读] Posterior samples of source galaxies in strong gravitational lenses with score-based priors

Alexandre Adam, Adam Coogan+5 more|arXiv (Cornell University)|Nov 7, 2022

Gaussian Processes and Bayesian Inference被引用 11

一句话总结

本文提出一种基于得分的生成模型，用于在强引力透镜中学习源星系亮度的真实先验，通过反向时间随机微分方程（SDE）求解器将该先验与观测到的透镜化数据的似然结合。该方法生成了与数据在噪声水平下一致的高质量、独立的后验样本，并在分布外情况下表现出良好的泛化能力。

ABSTRACT

Inferring accurate posteriors for high-dimensional representations of the brightness of gravitationally-lensed sources is a major challenge, in part due to the difficulties of accurately quantifying the priors. Here, we report the use of a score-based model to encode the prior for the inference of undistorted images of background galaxies. This model is trained on a set of high-resolution images of undistorted galaxies. By adding the likelihood score to the prior score and using a reverse-time stochastic differential equation solver, we obtain samples from the posterior. Our method produces independent posterior samples and models the data almost down to the noise level. We show how the balance between the likelihood and the prior meet our expectations in an experiment with out-of-distribution data.

研究动机与目标

• 解决在强引力透镜中对高维源星系亮度后验分布进行准确推断的挑战。
• 改进那些无法生成真实星系形态的启发式或简化的先验。
• 开发一种从噪声较大的透镜化观测中生成独立、高质量的源星后验样本的方法。
• 在信噪比较低的情况下，有效平衡似然与先验。
• 在分布外数据上验证该方法，并展示其在源星重建中的鲁棒性。

提出的方法

• 使用得分匹配在高分辨率、未扭曲的星像上训练基于得分的先验，以估计 ∇ₓlog p(x)，即先验分布的得分。
• 通过结合似然得分 ∇ₓlog p(y|x) 和先验得分 ∇ₓlog p(x) 的反向时间SDE对后验进行采样，形成总得分 ∇ₓlog p(x|y)。
• 通过欧拉-马鲁亚马方法对SDE进行离散化，采用几何噪声调度 σ(t) = (σ_max/σ_min)^t * σ_min，确保在所有时间步长下采样稳定。
• 关键近似假设 AA^T ≈ I，以避免昂贵的矩阵求逆，将似然协方差简化为 Σ_y + Σ_t ∝ I。
• 使用 N = 8000 个离散化步长，确保 p(N) ≈ 0.99，从而保证每一步采样均位于目标分布的3σ区域内。
• 最终的后验采样过程利用SDE求解器从 p(x|y) 生成独立样本，有效建模至噪声水平的数据。

实验结果

研究问题

• RQ1 在真实星像上训练的基于得分的先验是否能在强引力透镜中生成真实的源星重建？
• RQ2 在信噪比较低的条件下，似然与先验之间的平衡如何确保物理上的合理性？
• RQ3 该方法能否生成与观测数据在噪声水平下一致的独立后验样本？
• RQ4 该模型在分布外数据上的泛化能力如何？是否保持与先验期望的一致性？
• RQ5 近似 AA^T ≈ I 是否损害重建质量？在透镜约束下是否合理？

主要发现

• 该方法生成的源星后验样本具有高保真度，且与观测到的透镜化数据在噪声水平下一致，经残差 χ²_ν 分析验证。
• 即使在信噪比较低的条件下，该先验通过与似然的平衡，仍能有效强制生成真实的星系形态。
• 近似 AA^T ≈ I 是合理的，因为 AA^T 中非零的非对角线元素仅占很小部分，且对角线元素 ≤1，符合表面亮度守恒。
• 使用 N = 8000 个离散化步长可确保 p(N) ≈ 0.99，支持稳定可靠的采样并具有高度置信。
• 该方法成功泛化至分布外数据，重建结果与先验期望一致，表明其在先验-似然平衡中的鲁棒性。
• 结合学习到的基于得分的先验的反向时间SDE求解器可生成独立样本，从而实现对重建源特征不确定性的量化与显著性评估。