[论文解读] Sparse Bayesian mass mapping with uncertainties: hypothesis testing of structure: hypothesis testing of structure

Matt A. Price, Jason D. McEwen+3 more|arXiv (Cornell University)|Dec 10, 2018

Gaussian Processes and Bayesian Inference参考文献 42被引用 12

一句话总结

本文提出了一种稀疏贝叶斯质量映射方法，可在不假设高斯性的前提下，对弱引力透镜收敛图实现原理严谨的不确定性量化。通过将逆问题表述为带有l1-范数稀疏性先验的凸优化问题，推导出最大后验概率（MAP）估计器，并利用测度集中理论计算保守的可信区域，从而实现对亚结构的假设检验。该方法应用于模拟数据和A520星系团，结果在99%置信水平下未发现暗核存在的确凿证据，凸显了低分辨率、噪声数据中固有的不确定性。

ABSTRACT

A crucial aspect of mass-mapping, via weak lensing, is quantification of the uncertainty introduced during the reconstruction process. Properly accounting for these errors has been largely ignored to date. We present a new method to reconstruct maximum a posteriori (MAP) convergence maps by formulating an unconstrained Bayesian inference problem with Laplace-type l1-norm sparsity-promoting priors, which we solve via convex optimization. Approaching mass-mapping in this manner allows us to exploit recent developments in probability concentration theory to infer theoretically conservative uncertainties for our MAP reconstructions, without relying on assumptions of Gaussianity. For the first time these methods allow us to perform hypothesis testing of structure, from which it is possible to distinguish between physical objects and artifacts of the reconstruction. Here we present this new formalism, demonstrate the method on simulations, before applying the developed formalism to two observational datasets of the Abel-520 cluster. Initial reconstructions of the Abel-520 catalogs reported the detection of an anomalous 'dark core' -- an over dense region with no optical counterpart -- which was taken to be evidence for self-interacting dark-matter. In our Bayesian framework it is found that neither Abel-520 dataset can conclusively determine the physicality of such dark cores at 99% confidence. However, in both cases the recovered MAP estimators are consistent with both sets of data.

研究动机与目标

• 为解决弱引力透镜质量映射中缺乏原理严谨的不确定性量化问题，特别是针对非高斯、小尺度结构的问题。
• 开发一种快速、可扩展的替代MCMC的不确定性估计方法，避免高斯假设，依赖凸优化。
• 通过保守且理论基础坚实的可信区域，实现对收敛图中亚结构（如暗核）的假设检验。
• 在N体模拟和A520星系团的真实观测数据上展示该方法的性能。
• 为未来大规模巡天（如LSST和Euclid）中的质量图解释提供统计严谨的框架。

提出的方法

• 将弱引力透镜逆问题表述为无约束的贝叶斯推断问题，采用拉普拉斯型l1-范数先验，以在小波域中促进稀疏性。
• 通过凸规划求解所得优化问题，高效获得最大后验概率（MAP）估计器。
• 利用概率测度集中理论的最新进展，推导出MAP估计器的保守、非高斯可信区域。
• 将这些可信区域应用于亚结构的假设检验，以区分物理特征与重建伪影。
• 引入分层贝叶斯方法，自动估计正则化参数，提升在多样化数据集上的鲁棒性。
• 在Bolshoi N体模拟和A520星系团的两组观测数据集上验证该方法。

实验结果

研究问题

• RQ1 具有l1先验的稀疏贝叶斯框架能否在不依赖高斯假设的前提下，实现准确且快速的收敛图重建？
• RQ2 能否通过测度集中理论实现的不确定性量化，构建弱引力透镜质量图的保守可信区域？
• RQ3 在噪声大、分辨率低的数据中，假设检验在多大程度上能将物理亚结构与重建伪影区分开？
• RQ4 A520星系团中所谓的‘暗核’是否具有物理真实性，还是仅仅是重建过程的伪影？
• RQ5 该方法在模拟和真实数据上的精度与标准Kaiser-Squires估计器相比如何？

主要发现

• 所提出的稀疏贝叶斯质量映射方法在所有测试的模拟数据集中，其收敛图重建精度显著优于标准Kaiser-Squires估计器。
• 该方法通过测度集中理论实现保守的、非高斯的不确定性量化，从而支持对亚结构的原理严谨的假设检验。
• 在A520的两组数据集中，均未在99%置信水平下确认任何亚结构（特别是有争议的‘暗核’）为物理真实存在，尽管该方法对最大峰值具有高度敏感性。
• 全局假设检验显示，两组A520数据在99%置信水平下结果高度一致，表明尽管分辨率和噪声水平不同，数据集之间仍具有一致性。
• 用于正则化参数估计的分层贝叶斯方法在大多数情况下表现接近最优，但在极端情况下可能不稳定。
• 该框架计算效率高且可扩展，适用于未来大规模弱引力透镜巡天（如LSST和Euclid）。