[论文解读] Proofs of non-optimality of the standard least-squares method for track reconstructions

Gregorio Landi, Giovanni Landi|arXiv (Cornell University)|Mar 22, 2020

Soil Geostatistics and Mapping参考文献 9被引用 4

一句话总结

本文通过将Cramér-Rao-Fréchet不等式扩展至非正态、不规则的概率模型（在真实硅微条探测器中常见），证明了标准最小二乘法在轨迹重建中即使在非高斯、不规则的概率模型下也非最优。研究显示，加权（异方差）最小二乘法可显著提升分辨率，在矩形分布的探测器信号模拟中，分辨率提升最高达2.4倍。

ABSTRACT

It is a standard criterium in statistics to define an optimal estimator the one with the minimum variance. Thus, the optimality is proved with inequality among variances of competing estimators. The inequalities, demonstrated here, disfavor the standard least squares estimators. Inequalities among estimators are connected to names of Cramer, Rao and Frechet. The standard demonstrations of these inequalities require very special analytical properties of the probability functions, globally indicated as regular models. These limiting conditions are too restrictive to handle realistic problems in track fitting. A previous extension to heteroscedastic models of the Cramer-Rao-Frechet inequalities was performed with Gaussian distributions. These demonstrations proved beyond any possible doubts the superiority of the heteroscedastic models compared to the standard least squares method. However, the Gaussian distributions are typical members of the required regular models. Instead, the realistic probability distributions, encountered in tracker detectors, are very different from Gaussian distributions. Therefore, to have well grounded set of inequalities, the limitations to regular models must be overtaken. The aim of this paper is to demonstrate the inequalities for least squares estimators for irregular models of probabilities, explicitly excluded by the Cramer-Rao-Frechet demonstrations. Estimators for straight and parabolic tracks will be considered. The final part deals with the form of the distributions of simplified heteroscedastic track models reconstructed with optimal estimators and the standard (non-optimal) estimators. A comparison among the distributions of these different estimators shows the large loss in resolution of the standard least-squares estimators.

研究动机与目标

• 建立标准最小二乘法在真实探测器条件下（如信号分布非高斯且不规则）进行轨迹重建时非最优的理论基础。
• 将Cramér-Rao-Fréchet方差不等式框架扩展至非正则模型，涵盖如矩形和柯西型等常见于真实追踪系统中的不规则概率分布。
• 证明在非高斯信号分布下，异方差最小二乘估计器在分辨率上仍优于标准最小二乘法。
• 通过使用矩形信号分布模型的模拟，量化分辨率提升，该模型在经典Cramér-Rao理论下解析不可解。
• 表明最大似然估计器在非高斯模型中可进一步提升分辨率，超越加权最小二乘法。

提出的方法

• 基于不规则概率模型，推导最小二乘估计器的方差不等式，使用形式恒等式与逆方差的加权均值表达式。
• 应用大数定律，从蒙特卡洛模拟中重构拟合轨迹参数的经验概率分布的最大值。
• 采用具有矩形信号概率密度函数（PDF）的简化模型作为不规则模型的原型，与高斯和三角形PDF进行对比。
• 比较不同探测器层数（N = 2 至 13）下，标准（同方差）与加权（异方差）最小二乘拟合的方位角估计器线型。
• 使用公式 $1/\sqrt{2\pi\Sigma_l}$ 计算有效方差与经验分布的最大值，用于不同模型间的分辨率比较。
• 将分辨率提升与物理参数（如磁场强度和信噪比）相关联，与先前工作[4]一致。

实验结果

研究问题

• RQ1 Cramér-Rao-Fréchet不等式框架能否扩展至如矩形或柯西型等不规则概率模型，这些模型在真实硅条带探测器中常见？
• RQ2 当应用于典型真实探测器系统中的非高斯、异方差信号分布时，标准最小二乘法是否仍为次优？
• RQ3 在具有矩形信号PDF的现实非高斯简化模型中，异方差最小二乘估计器相比标准最小二乘估计器的分辨率提升量是多少？
• RQ4 不同拟合方法下，方向估计器经验参数分布的最大值如何随探测器层数N变化？
• RQ5 在非高斯模型中，最大似然估计器是否能进一步提升分辨率，超越加权最小二乘法？其与基于高斯模型的估计器相比如何？

主要发现

• 即使在不规则模型下，标准最小二乘法也被证明非最优，因其无法在竞争估计器中实现最小方差。
• 在矩形信号PDF模型中，异方差最小二乘估计器在N = 7层时，分辨率最高可达标准最小二乘法的2.4倍。
• 在异方差拟合中，方向估计器经验分布的最大值随层数N线性增长，而标准最小二乘法则为$\sqrt{N}$增长。
• 高斯、矩形和三角形PDF的拟合轨迹方向分布线型几乎相同，但其最大值差异显著，其中高斯分布给出最高峰值。
• 在异方差拟合中，有效方差$\Sigma_{\text{eff}}$随N显著变化，而在标准拟合中，当N > 3后方差几乎恒定。
• 在非高斯模型中，最大似然估计器可进一步提升分辨率，表明即使在最优方法中，基于高斯假设的模型也可能存在次优性。