Conditional splitting probabilities for hidden-state inference in drift-diffusive processes

技術要約：ドリフト・拡散過程における隠れ状態推論のための条件付き分裂確率

問題設定
分裂確率（Splitting probabilities）は、システムが定義された区間を特定の境界を通じて脱出する尤度を定量化する、確率過程における基本的な量である。伝統的に、これらは一次元過程（例：ギャンブラーの破産、集団動態における固定）における脱出確率を決定するために適用されてきたが、本研究ではより複雑な二次元マルコフ過程 $\{X(t), Y(t)\}$ を扱う。ここで、$X(t)$ は観測可能な連続的なドリフト・拡散変数であり、$Y(t)$ は隠れた内部状態（離散的または連続的になり得る）を表す。中心となる問題は、結合分裂確率（joint splitting probability）、すなわち、$X(t)$ が区間 $L = [x_{min}, x_{max}]$ を特定の境界を通じて脱出し、かつその脱出の瞬間に隠れ状態 $Y(t)$ が特定の構成 $y_{exit}$ にある尤度を決定することである。

これに基づき、本論文は条件付き分裂確率（conditional splitting probability）、すなわち、特定の境界での脱出イベントが発生したという事実が与えられたときの、隠れ状態 $Y$ の事後尤度について調査している。著者らは、一点的な脱出イベントの観測が、隠れた変数の状態を推論するための手段として、どのように機能するか、あるいは機能し得るのかを明らかにすることを目的としている。これは、アクティブマターの制御や意思決定理論において重要な能力である。

手法
著者らは、コルモゴロフ後退方程式（Kolmogorov backward equation）とベイズの定理に基づくフレームワークを採用している。

1. 結合確率の定式化:
   前向きフォッカー・プランク演算子 $\mathcal{L}^{(X)}_F$ および $\mathcal{L}^{(Y)}_F$ によって支配される過程に対して、結合分裂確率 $\Pi(x_{exit}, y_{exit}|x_0, y_0)$ は、以下の定常後退方程式を満たす：
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   ただし、プロセスが区間の境界で吸収されるという境界条件に従う。著者らは、完全透過（吸収）および部分的透過（ロビン）の両方の境界条件を検討している。

2. 非結合型 vs 結合型ダイナミクス:
   解析は以下の二つのクラスの過程に分けられる：

   • 非結合型（Decoupled Case）: $X(t)$ は $Y(t)$ と独立した単純なブラウン運動である。解は $Y(t)$ のフォッカー・プランク演算子の固有基底を用いて構築される。結合分裂確率は、$Y$ の過程の固有関数と固有値を用いたスペクトル展開として表現される。
   • 一方向結合型（Unidirectionally Coupled Case）: $X(t)$ が $Y(t)$ に依存する場合（例：ドリフト係数や拡散係数が内部状態に依存する）、ただし $Y(t)$ は $X(t)$ から独立して進化する場合。これらの場合、後退方程式は結合された常微分方程式系となり、特定の典型的なモデルに対して明示的に解かれる。

3. 条件付き推論:
   結合確率が計算されると、ベイズの定理を通じて条件付き分裂確率が導出される：
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   ここで、分母は観測可能な $X$ の周辺分裂確率である。

主な結果

1. 非結合型の隠れ状態（ブラウン運動 ＋ 内部状態）
$X(t)$ がブラウン運動であり、$Y(t)$ が非結合の内部状態（離散的または連続的）である過程について、著者らは$Y$のダイナミクスの固有系を用いた結合分裂確率の一般的な表現を導出した。

• 成熟・腐敗プロセス（Ripening-Spoiling Process）: 三状態モデル（未熟 $\to$ 成熟 $\to$ 腐敗）を分析している。特定の状態（例：「成熟」）で脱出する結合確率は、$x_0$ に対して非単調な依存性を示す。これは、特定の持続時間（「成熟」には遷移できるが「腐敗」にはまだ至っていない時間）を持つ軌跡のみが、その状態での脱出確率に寄与するためである。
• オルンシュタイン＝ウーレンベック（OU）過程: 連続的なガウス型隠れ状態の場合、結合確率はエルミート多項式の無限級数として表現される。
• 推論の限界: 非結合型の場合、単一の脱出イベントからの隠れ状態の推論は、過渡領域（transient regime）（非定常な初期条件）においてのみ可能であることを著者らは示している。大きな区間（$L \to \infty$）または拡散の消失（$D \to 0$）の極限において、結合確率は周辺分裂確率と $Y$ の定常分布の積へと分解される。その結果、条件付き確率は事前分布へと収束し、定常的な初期化においては推論が不可能となる。

2. 一方向結合型の隠れ状態
観測されるダイナミクスが隠れた状態に依存するシステムでは、定常的な初期化においても推論が可能である。著者らは、以下の3つのケースについて明示的な導出を行っている：

• ラン・アンド・タンブル（Run-and-Tumble, RnT）ダイナミクス: 速度 $\alpha$ で切り替わる自己推進状態 $Y \in \{-1, 1\}$ を持つ粒子。著者らは結合後退方程式を解き、結合分裂確率を求めた。彼らは、境界脱出時の粒子の方向（左移動か右移動か）の事後尤度が、事前分布（1/2）から大きく逸脱することを示した。この偏差はペクレ数（$Pe = \nu^2/\alpha D$）とともに増大し、持続性が存在することで、大きな区間の極限においても内部状態の信頼できる推論が可能になることを示唆している。
• 間欠的な区分線形ポテンシャル: ポテンシャルが確率的に「オン」または「オフ」になる粒子。著者らは、ポテンシャルの頂点で領域を分割することで結合確率を解いている。結果は、ポテンシャルが「オン」か「オフ」かの条件付き確率が、頂点の位置と障壁の高さに対して非単調に依存することを示している。
• 確率的リセッティング（Stochastic Resetting）: 位置 $x_r$ への確率的リセッティングを行うブラウン運動粒子。隠れ状態はリセット回数 $n$ と定義される。著者らは、正確に $n$ 回のリセットを経て脱出する結合確率を導出した。彼らは、ポアソン過程の無記憶性により、最も可能性の高いリセット回数はゼロであるが、特定の脱出境界を条件としたリセット回数の「平均」は非自明であり、リセッティング率と区間のサイズに依存することを見出した。

意義と主張
本論文は、主に二つの貢献を主張している：

1. 解析的フレームワーク: 二次元マルコフ過程の結合分裂確率を計算するための一般的な手法を提供している。これは、非結合系ではスペクトル分解を通じて、一方向結合系では結合された常微分方程式の明示的な解を通じて表現される。
2. 推論スキーム: 脱出イベントの点的な検出のみに基づいた、隠れた内部状態の部分的ベイズ推論のための「単純なスキーム」を確立している。

著者らは、二つのクラスの過程間の決定的な違いを強調している：

• 非結合型システムでは、推論は過渡的なダイナミクスに限定される。隠れ状態が定常状態に緩和されると、脱出イベントは内部状態に関する情報を提供しなくなる。
• 一方向結合型システム（アクティブマターモデルに共通）では、結合が脱出統計の中に内部状態に関する情報を保持するため、長時間極限（$L \to \infty$）においても推論が可能となる。

本研究は、この境界ベースの推論スキームが、脱出点と隠れ状態の間の相関を利用することで、アクティブ粒子の動力抽出の最適化など、駆動された確率過程の制御に応用できる可能性を示唆している。著者らは、結合ケースでは離散的な隠れ状態に焦点を当てたが、連続的な隠れ状態（例：アクティブ・オルンシュタイン＝ウーレンベック過程）への拡張は依然として未解決の課題であると述べている。