Addressing prior dependence in hierarchical Bayesian modeling for PTA data analysis II: Noise and SGWB inference through parameter decorrelation

技術的概要：PTA データ解析における階層ベイズモデリングの事前分布依存性への対処 II

問題定義
パルサータイミングアレイ（PTA）解析は、タイミング残差をモデル化することで低周波数の確率的重力波背景（SGWB）を検出することを目的としている。これらの解析における重要な課題は、固有の赤色ノイズと分散量（DM）変動といった複雑なノイズ過程を正確にモデル化することである。標準的なアプローチでは、各パルサーのノイズパラメータに対して固定された一様事前分布を割り当てる傾向がある。しかし、これはアレイ全体でデータを結合する際に系統的なバイアスを導入する可能性がある。特に、個々のパルサーではノイズ過程が顕著に検出されない場合でも、アレイ全体にとっては関連性がある場合にその傾向が顕著となる。この「事前分布の誤指定」と呼ばれる問題は、単一パルサーにおけるノイズの統計的実現が、アレイ全体におけるそれと異なることに起因する。

さらに、ノイズ特性の集団分布を記述するためにハイパーパラメータを導入する階層ベイズモデリングは、「事前分布依存性」の影響を受けやすい。このようなモデルでは、物理パラメータ（ノイズ振幅とスペクトル指数）の推論が、ハイパー事前分布に選択された特定の関数形に対して過度に敏感になる可能性がある。この感度は、赤色ノイズと SGWB が類似のべき乗則特性を共有する際に生じる退化（デジェネラシー）が存在する場合、特に偏った事後分布をもたらす可能性がある。

手法
これらの限界に対処するため、著者は直交射影に基づくパラメータ非相関化戦略を強化した階層ベイズ枠組みを提案する。

1. 階層構造: モデルは、各パルサーのノイズパラメータ（$\vartheta$）を、ハイパーパラメータ（$\Lambda$）によってパラメータ化された条件付き事前分布から引き出されるものとして扱う。ハイパーパラメータ自体は、ハイパー事前分布 $\pi'(\Lambda)$ から引き出される。この構造により、集団レベルのノイズ特性と個々のパルサーパラメータの同時推論が可能となる。
2. 直交再パラメータ化: 中核的な革新は、物理パラメータとの結合を緩和するためにハイパーパラメータを再パラメータ化する点にある。著者は、新しいハイパーパラメータ（$\tilde{\Lambda}$）を、物理ノイズパラメータ（$\vartheta$）が張る部分空間に関する元のハイパーパラメータ（$\Lambda$）の直交補完として定義する変換を定義する。数学的には、$\tilde{\Lambda} = (I - P_\vartheta)\Lambda$ と表される。ここで、$P_\vartheta$ は $\vartheta$-部分空間への直交射影である。
3. 正規化フロー（NFs）: 直交射影は特異であり、閉形式の逆変換を持たないため、著者は変換を学習するために正規化フローを採用する。彼らは 2 段階のアーキテクチャを利用する。
   • プッシュフォワード正規化フロー（PF-NF） は、非相関化されたハイパーパラメータの分布 $\pi'(\tilde{\Lambda})$ を学習する。
   • プルバック条件付き正規化フロー（PB-CNF） は、非相関化されたハイパーパラメータに条件付けられた物理パラメータの分布 $\pi(\vartheta|\tilde{\Lambda})$ を学習する。
     これらのフローは、特定のデータ実現によるバイアスを排除するために、事後サンプルではなく事前分布サンプル上で訓練される。NFs の可逆性により、正確なヤコビアンが保持され、パラメータ幾何学を変化させつつも、縮小（shrinkage）やパルサー間プーリングを含む完全な階層的な情報内容が維持される。
4. 推論エンジン: この枠組みは、Enterprise 尤度エンジンと統合されたフローガイド型ネストドサンプラーである i-nessai を用いて実装されている。この組み合わせにより、高次元で再パラメータ化されたパラメータ空間の効率的な探索が可能となり、従来の並列温度マルコフ連鎖モンテカルロ（PTMCMC）法に対する計算上の利点を提供する。

主要な貢献

• 新規再パラメータ化: 本論文は、階層 PTA モデルにおいて物理パラメータに対してハイパーパラメータを直交化する方法を導入し、ハイパー事前分布の選択に対する物理パラメータ推論の感度を明示的に低減するように設計されている。
• 機械学習の統合: 正規化フローを単なるサンプリング効率化のためだけでなく、階層ベイズ文脈において直交制約を強制し、複雑な非線形変換を学習するための構造的ツールとして応用することを示している。
• 非相関化の検証: 本研究は、非相関化スキームの厳密なテストを提供し、物理パラメータとハイパーパラメータ間の分散レベルの依存性を成功裏に分離しつつ、基礎となる階層的情報フローを破壊しないことを示している。

結果
この手法は、3 つのミリ秒パルサーからなる最小限のシミュレーションデータセットでテストされた。このデータセットは、固有の赤色ノイズ、DM 変動、および SGWB をシミュレートしている。結果は、固定一様事前分布、標準的階層事前分布、および直交再パラメータ化階層モデルの 3 つの構成間で比較された。

• ノイズパラメータの制約: 階層的処理は、固定事前分布と比較して、固有の赤色ノイズパラメータに対する制約を大幅に強化した。直交再パラメータ化はさらにこれらの制約を改善し、より精密（狭い信頼区間）かつより正確（中央値が投入値に近い）な事後分布をもたらした。
• 独立性スコア: 物理パラメータとハイパーパラメータ間の独立性を定量化する指標は、再パラメータ化モデルがほぼ 1 の独立性スコアを達成し、線形結合の成功裏な除去を確認したことを示した。
• 物理的退化の保存: 重要なのは、再パラメータ化がべき乗過程に特徴的な振幅とスペクトル指数（$\log_{10} A$ 対 $\gamma$）間の本質的な負の相関を保持した点である。これは、尤度に符号化された物理的退化を乱すことなく、階層層のみを変更していることを検証するものである。
• SGWB 推論の限界: ノイズモデルの改善にもかかわらず、SGWB パラメータはすべての構成においてほとんど変化しなかった。SGWB の振幅とスペクトル指数は、依然として事前分布の上限にバイアスされた傾向を示した。著者はこれを、赤色ノイズと SGWB の根本的な退化に起因すると帰着しており、3 パルサーアレイはノイズモデルの洗練度に関わらず、統計的力を持ってこれを打破するには不十分であると結論づけた。
• 頑健性: 18 の独立した実現の分析により、SGWB パラメータにおける観測されたバイアスが、アレイサイズと退化構造に起因する系統的な結果であり、統計的変動ではないことが確認された。

意義と主張
本論文は、この作業を現在の PTA データセットに対する決定的な解決策というよりも、方法論的な概念実証として位置づけている。著者は、彼らのアプローチが以下の点を成功裏に実証したと主張する。

1. 直交再パラメータ化を通じて、階層 PTA モデルにおける事前分布依存性を低減する可行性。
2. 集団レベルの情報プーリングの完全性を維持しつつ、個々のノイズ成分の推論（精度と正確性）を改善する能力。
3. 本質的な物理的退化を保持し、非相関化がデータの物理的解釈を人為的に変更しないことを保証すること。

著者は明示的に、現在の 3 パルサー事例研究は現実世界の SGWB 検出に関する包括的な定量的結論には不十分であるが、提案された枠組みの主要な効果を分離し検証していることを述べている。彼らは、このアプローチの可能性を十分に活用し、より頑健で物理的に意味のある推論を達成するためには、将来のより大規模なアレイおよび実 PTA データへの適用が必要であると結論づけている。