論文要約：測定ノイズを伴う埋め込み型モデルバイアス定量化とベイズモデル較正

1. 背景と問題定義

物理システムの挙動を予測するコンピュータシミュレーションの精度を高めるためには、実測データに基づいたパラメータの較正が不可欠です。しかし、モデルには必ず不確実性が伴います。これには、データに含まれる測定ノイズ（偶然誤差）と、モデルの仮定や簡略化に起因する「モデル不備（モデル・インアダクワシー）」が含まれます。

従来のベイズ推論では、モデル不備を予測値に追加する項として扱うことが多いですが、このアプローチには重大な欠点があります。

1. 外挿性の欠如: 観測データに適合させるために導入された不備項は、他の関心変数（QoI: Quantity of Interest）への不確実性の伝播に利用できません。
2. 過信（Overconfidence）: モデルが不完全であるにもかかわらず、事後分布がパラメータの真の値に収束（ディラックのデルタ分布化）し、予測の不確実性が過小評価される「誤指定（misspecification）」の問題が発生します。
3. 測定ノイズの扱い: 既存の埋め込み型アプローチ（パラメータ不確実性インフレーション：PUI）の多くは、測定ノイズを明示的に考慮しておらず、ノイズの誤指定が推定結果に大きな影響を与えます。

2. 提案手法と方法論

本論文は、モデル不備をパラメータの内部に「埋め込む（Embedding）」ことで、不確実性を他の QoI へ正しく伝播させるための新しい枠組みを提案しています。

2.1 モデル不備の埋め込み（Embedding）

従来の外部補正（予測値に直接補正項を加える）ではなく、推論対象のパラメータ $\theta$ 自体を確率変数として扱います。

• 定式化: 決定論的なパラメータ $\theta_m$ に、モデル不備を表す確率的な摂動 $\delta(\theta_b)$ を加えた新しいパラメータ $\tilde{\theta} = \theta_m + \delta(\theta_b)$ を定義します。
• 特徴: $\delta$ は平均 0 の正規分布に従い、その分散 $\theta_b$ を推論します。これにより、パラメータの不確実性がモデルの出力に直接反映され、推論された不確実性を他の QoI 計算へ伝播させることが可能になります。
• 多項式チャオス展開（PCE）: 確率的なパラメータをモデルに通す際の計算コストを削減するため、PCE を用いてモデル応答を近似し、統計的モーメント（平均・分散）を効率的に計算します。

2.2 尤度関数の改良と新規提案

測定ノイズを適切に扱うため、既存の尤度関数を改良し、2 つの新しい尤度関数を提案しています。

1. ノイズ対応 ABC 尤度（ABC with noise）:
   • 既存の近似ベイズ計算（ABC）を拡張し、測定ノイズを明示的に含めるように修正しました。
   • 予測モーメントと観測モーメントの一致度を評価する際、ノイズの大きさを考慮した重み付け（$\gamma = \sqrt{\pi/2}$ の導入）を行い、過剰適合を防ぎます。
2. グローバル・モーメントマッチング尤度（GMM）:
   • 個々のデータ点ごとのモーメント一致ではなく、残差全体の分布をガウス混合モデルとして扱い、そのモーメント（平均・分散）に一致させるアプローチです。
   • 個々の点の重みを均等化し、外れ値や特定点への過剰適合を抑制します。
3. 相対グローバル・モーメントマッチング尤度（RGMM）:
   • GMM の改良版で、予測分散が大きい点からの外れ値の影響を相対化（正規化）することで、ヘテロスケダスティック（分散不均一）なノイズやモデル不備に対する頑健性を向上させます。
4. 独立正規尤度（IN）:
   • 予測分散と測定ノイズを合わせた分散を用いた古典的な正規分布尤度を、埋め込み枠組みに適合させたものです。

3. 主要な貢献

1. 解釈可能な埋め込み枠組みの提案: 多項式展開の係数に依存する既存手法に対し、パラメータごとの分散を直接推論する直感的な埋め込み手法を提案しました。
2. 測定ノイズの明示的処理: 既存の埋め込み手法がノイズの誤指定に敏感であることを指摘し、ノイズを明示的にモデル化した尤度関数（特に ABC の改良版）を開発しました。
3. 新規尤度関数の提案: ノイズの誤指定や外れ値に対する頑健性を高めるため、GMM と RGMM を提案しました。
4. 不確実性の伝播分析: 推論されたパラメータの不確実性を、較正に使用されていない他の QoI（例：熱流束）へ正しく伝播させる手法を実証しました。

4. 結果と評価

論文では、1 次元の線形モデルと、鉄筋コンクリート構造物の過渡熱伝達シミュレーションという 2 つのケーススタディで手法を評価しました。

4.1 線形モデル（単純な例）

• ノイズ誤指定の影響: 従来の ABC 手法は、測定ノイズの指定値が真値と異なる場合、パラメータ推定が著しく劣化することが確認されました。一方、提案した GMM、RGMM、および改良 IN は、ノイズの誤指定に対してより頑健でした。
• 外れ値とオフセット: データにオフセットや外れ値が含まれる場合、ABC は最も影響を受けやすく、RGMM と IN は特定の条件下（分散が小さい点での外れ値など）で影響を受けますが、全体としてバランスの取れた結果を示しました。

4.2 熱伝達シミュレーション（複雑な例）

• モデル不備の定量化: 鉄筋の存在を無視した等方性モデル（forward model）と、鉄筋を含む二相モデル（generative model）の差を、埋め込みパラメータ $\sigma_b$ によって定量化しました。
• QoI への伝播: 温度観測データから推論された不確実性を、直接観測されていない「累積熱流束（QoI）」へ伝播させました。
  • 埋め込み手法を用いない場合、予測は真値から大きく外れ、かつ不確実性が過小評価されていました。
  • 埋め込み手法を用いることで、真の熱流束値を予測分布の信頼区間内に収めることが可能となり、モデルの信頼性を適切に評価できました。
• 尤度関数の比較: 熱伝達ケースでは、ノイズが適切に指定されているため、すべての尤度関数が同程度の性能を示しましたが、分布の広がり（分散）には違いが見られました。

5. 結論と意義

本論文は、モデル不備をパラメータの内部に埋め込むアプローチにおいて、測定ノイズの扱いと不確実性の伝播という 2 つの重要な課題を解決する画期的な貢献を行いました。

• 実用的な意義: 産業応用（デジタルツインなど）において、シミュレーションモデルの予測信頼性を定量的に評価し、意思決定に役立てるための堅牢な枠組みを提供します。
• 今後の展望: 提案手法は、複雑な物理現象のモデル較正において、観測データとモデルの不一致をパラメータの不確実性として適切に表現し、他の関心変数へその不確実性を伝播させることを可能にします。今後の課題として、実測データへの適用や、相関を持つ不備項の伝播、階層的ベイズ手法との比較検討が挙げられています。

要約すれば、この研究は「不完全なモデルから得られる予測の信頼性を、測定ノイズを考慮しつつ、他の物理量へ正しく伝播させるための新しい統計的枠組み」を確立した点に最大の意義があります。