Estimating hyperparameters and instrument parameters in regularized inversion. Illustration for SPIRE/Herschel map making

技術要約：正則化逆問題におけるハイパーパラメータおよび計器パラメータの推定

問題提起
本論文は、ハーシェル宇宙天文台のSPIRE計器における画像再構成という、天文学における課題に取り組んでいる。核心となる問題は、「教師なしかつマイオピック（近視眼的）」な逆問題である。標準的な逆問題手法は、通常、以下の事項を必要とする：

1. 教師ありチューニング： ハイパーパラメータ（データの忠実度と事前正則化のバランスをとるもの）は、手動で設定される必要があり、多くの場合、「真の」空の知識や広範な試行錯誤を必要とする。
2. 既知の計器モデル： 計器パラメータ（ローブ幅、応答時間、ゲインなど）は、通常、専用の較正観測を通じて決定される。これらの値には、スペクトル依存性や較正の不確実性に起因する誤差が不可避的に含まれる。

著者らは、単一の観測から、空のマップ（$x$）、ハイパーパラメータ（$\xi$）、および計器パラメータ（$\eta$）を、真の地上実況（グラウンドトゥルース）や専用の較正データなしに同時に推定するという、三層の問題を解決することを目指している。

手法
提案手法は、フルベイズフレームワークに基づいている。著者らは、すべての未知量に対する観測 $y$ の事後密度 $p(x, \xi, \eta | y)$ を構築している。

1. 確率的モデリング：

   • 尤度： 観測モデルは線形（$y = A_\eta x + n$）であり、ここでノイズ $n$ は平均 $m_n$ と、精度パラメータ $\gamma_n$ によって定義される共分散構造を持つガウス分布としてモデル化されている。
   • マップの事前分布： 空のマップ $x$ は、空間的な規則性（滑らかさ）を強制するためにガウス事前分布を用いてモデル化されており、これは精度パラメータ $\gamma_x$ によって制御される。規則性の構造は、空間微分の二次ノルムを介して定義される。
   • ハイパー事前分布： ハイパーパラメータ（$\xi = [m_n, \gamma_n, \gamma_x]$）には、事前バイアスを最小限に抑えるために非情報的なジェフリーズ事前分布（精度に対しては $1/\gamma$、平均に対しては一様分布）が割り当てられている。
   • 計器パラメータ： 計器パラメータ $\eta$ は、公称値とそれに伴う不確칙性を中心とするガウス事前分布でモデル化されている。

2. 事後密度：
   結合事後密度は、尤度と事前分布を組み合わせることで導出される。マップの高次元性（$M \sim 10^5$）および計器パラメータ $\eta$ に対する観測の複雑で非線形な依存関係のため、事後密度を直接解析したり、解析的に最大化したりすることはできない。

3. 確率的サンプリング (MCMC)：
   事後密度を探索するために、著者らはギブスループとメトロポリス・ヘイスティングス (MH) ステップに基づくマルコフ連鎖モンテカルロ (MCMC) アルゴリズムを採用している：

   • マップのサンプリング ($x$)： マップのサイズが非常に大きく相関構造を持つため、条件付き事後分布からのサンプリングは困難である。著者らは、摂動を加えた正則化最小二乗基準を利用している。データと事前分布の平均に特定のノイズ摂動を加えることで、この基準の最小化解が、目的とする条件付きガウス事後分布に従って正確に分布するサンプルを与える。
   • ハイパーパラメータのサンプリング ($\xi$)： 精度パラメータ（$\gamma_n, \gamma_x$）の条件付き事後分布はガンマ分布であり、平均ノイズ（$m_n$）はガウス分布に従う。これらは標準的なルーチンを用いてサンプリングされる。
   • 計器パラメータのサンプリング ($\eta$)： $\eta$ の条件付き事後分布は非標準的で複雑である。著者らは、ギブスループ内でメトロポリス・ヘイスティングス・ランダムウォークステップを使用している。プロポーザル（提案値）が生成され、条件付き事後密度（尤度 $\times$ 事前分布）の比に基づいて受理率が計算される。

主な貢献

• 結合推定フレームワーク： 本論文は、従来の較正と逆問題の分離を超え、マップ、ハイパーパラメータ、および計器パラメータを共同で推定する統一されたベイズフレームワークを提示している。
• アルゴリズムの革新：
  • 行列の直接反転を避けるために、摂動を加えた基準を用いた高次元ガウスマップのための特定のサンプリング手法の開発。
  • ギブスループ内で、計器パラメータの非標準的で非線形な条件付き事後分布を扱うためのメトロポリス・ヘイスティングス・ステップの統合。
• 教師なしおよびマイオピックな能力： この手法は、「空の真実」なし（教師なし）、かつ専用の較正観測なし（マイオピック）で動作し、科学データから直接計器パラメータを推定する。

結果
手法の評価は、シミュレーションデータ（銀河のシーラス、拡張放射、および点源）と実観測（NGC 7023）の両方を用いたSPIRE計器モデルを用いて行われた。

• マップ再構成： 教師なし手法は、視覚的および定量的に「最良」の教師ありマップ（真のデータを用いて手動でハイパーパラメータを調整したもの）に匹敵するマップを生成した。再構成誤差は、シミュレーションされた銀河シーラスにおいて、わずかに高い程度であった（3.12%に対し3.47%）。この手法は、単純な加算マップでは見えない大規模構造と小規模詳細の両方を正常に復元した。
• ハイパーパラメータ推定： アルゴリズムは、ノイズおよび規則性パラメータを正しく推定した。既知の真のデータを持つシミュレーションデータにおいて、推定されたノイズ精度は真の値の1%以内に収まった。
• 計器パラメータ推定： マイオピックなシナリオにおいて、計器パラメータ（点広がり関数（PSF）の幅に関連するもの）は、33%の事前不確実性にもかかわらず、約5〜7%の誤差で推定された。推定精度は、ソースに高周波成分（点源）が含まれている場合に高くなった。
• 不確実性の定量化： この手法は自然に事後標準偏差（PSD）を提供し、信頼できる領域（観測された領域）と外挿された領域を正しく識別する不確実性マップを提供する。

意義と主張
著者らは、本研究が複雑な天文学的文脈における教師なしおよびマイオピックな逆問題の実行可能性を示していると主張している。彼らは以下のように断言している：

• 提案された手法は、ハイパーパラメータと計器パラメータを自動的に調整し、手動の介入や専用の較正スキャンの必要性を排除する。
• 得られるマップの品質は、計器に関する完全な知識と最適な手動チューニングを用いて得られるものとほぼ同等である。
• このアプローチは、事前情報と観測データのトレードオフを扱いながら、不確実性を定量化するための一貫したフレームワークを提供する。

論文は、これらの初期結果が、現在のおよび将来の宇宙ベースの計器（例：Herschel、Planck、JWST）からの大規模なデータストリームの系統的かつ自動的な処理に向けた有望なものであると結論付けているが、計算コスト（マイオピックなケースで約10時間）および特定のスペクトル領域における計器パラメータのわずかな過小推定を、将来の改良が必要な領域として認めている。