Scalable Gaussian Processes for Integrated and Overlapping Measurements Via Augmented State Space Models

技術的概要：拡張状態空間モデルによる統合および重畳測定のスケーラブルなガウス過程

問題提起
天文学的測定は、しばしば有限の露出時間における信号の積分（例えば、CCD における光電子の蓄積）によって得られる。基礎となる天体物理学的変動の時間スケールが露出長と同程度である場合、標準的な瞬間的ガウス過程（GP）モデルは偏った推定量となる。この積分を正しく考慮するには、露出区間における潜在過程の平均として測定をモデル化する必要がある。

GP 回帰は、確率的現象（例えば、視線速度データにおける恒星の振動）のモデル化における標準的なツールであるが、統合された測定の処理は重大な計算上の課題を伴う。非重畳で一定の露出時間を持つ場合、celerite などの特殊なカーネルは準分離性を維持し、$O(N)$ の解を可能にする。しかし、可変露出時間、そして決定的に重要な重畳露出（異なるサンプリング間隔を持つ複数の機器からのデータを組み合わせる際に一般的）を含む一般的な場合、共分散行列はその準分離構造を失う。これにより、密行列演算の使用が強制され、$O(N^2)$ のメモリと$O(N^3)$ の実行時間コストが生じる。既存の統合カーネル手法（例：Luhn et al. 2026）は、完全な密共分散行列の構築に依存しており、現代の多機器サーベイに典型的な大規模データセット（$N \sim 10^5$）に対して計算上実行不可能となる。

手法
著者は、スケーラビリティを維持しつつ、統合および重畳観測を処理するために、ガウス過程と線形ガウス状態空間モデル（SSM）の等価性を拡張することを提案する。

1. 拡張状態空間定式化:
   核心的な革新は、標準的な SSM 状態ベクトルの拡張である。線形確率微分方程式（SDE）によって支配される潜在過程$x(t)$に対して、著者は$dz/dt = x(t)$となる**積分状態**$z(t)$を導入する。

   • 拡張状態ベクトルは$\tilde{x} = [x, z]^T$となる。
   • システムダイナミクスは、潜在状態の積分を含むように更新される。
   • リセット機構: 各露出の開始時刻$t_s$において、積分状態$z$はゼロにリセットされる。露出の終了時刻$t_e$において、観測$y$は区間内の状態の正規化された積分としてモデル化される：$y = z(t_e)/\delta + \epsilon$。ここで$\delta$は露出時間である。

2. 重畳の処理:
   複数の機器からの重畳露出を収容するために、この枠組みは各機器$i$に対して固有の積分状態$z_i$を割り当てる。拡張状態ベクトルは、すべての機器固有の積分を含むように拡張される。リセット行列は選択的に適用される：$z_i$は、機器$i$に属する露出の開始時でのみリセットされ、重畳する機器に対する積分の同時蓄積を可能にする。この構成は、密行列演算を必要とすることなく、重畳データに必要な相互相関を自然に符号化する。

3. スケーラブルな推論:
   著者は、この拡張システムのための修正されたカルマンフィルタおよびラウフ・タング・ストリーベル（RTS）スムーザーアルゴリズムを導出した。

   • 逐次複雑性: フィルタリングおよびスムージングステップは、拡張状態次元（$d + N_{inst}$）上で動作し、CPU 上で計算複雑性を$O(N)$に維持する。
   • 並列複雑性: フィルタリングおよびスムージング分布の結合性を活用し、この手法はすべて-prefix-sums 問題として再構成される。これにより、GPU 上での並列実装が可能となり、ウォールクロック時間を$O(N/T + \log T)$に削減する（$T$は並列ワーカー数）。

4. ソフトウェア実装:
   著者は、オープンソースの Python/JAX パッケージであるsmolgpを導入した。これは既存のtinygpライブラリとドロップイン互換性を持ち、標準的および露出対応 GP モデル化の両方をサポートする。上記の逐次および並列ソルバーを実装している。

主要な結果

• 数値的等価性: 著者は、単一機器および多機器（重畳）シナリオの両方において、拡張 SSM 手法を完全な密 GP 実装（Luhn et al. 2026）に対して検証した。条件付き平均、分散、および対数尤度の結果は、機械精度内で一致し（差異は$\sim 10^{-14}$から$10^{-15}$）、理論的等価性を確認した。
• 性能ベンチマーク:
  • メモリ: SSM 手法は、密 GP 手法よりも著しくメモリ効率が良い。密 GP は$O(N^2)$のメモリを必要とし（$N \sim 10^5$の場合 100 GB を超える）、SSM 手法は線形にスケーリングするため、標準ハードウェアで大規模データセットを可能にする。
  • 実行時間: 準分離（QSM）代替が存在しない統合データにおいて、SSM 手法は革命的な高速化を提供する。CPU 上では、逐次 SSM ソルバーは予測において最速であり、尤度計算において競争力がある。GPU 上では、並列 SSM ソルバーは最速の条件付け時間を達成し、尤度計算において QSM 手法と伍する。
  • 予測: この手法は、密行列乗算と比較して、 embarrassingly parallel かつメモリ負荷の低い特定のアルゴリズム（アルゴリズム 1）を用いて、任意のテスト点での効率的な予測をサポートする。

意義と主張
本論文は、この作業が、露出の重畳が普遍的に存在する大規模な多機器間比較を可能にすると主張しており、これは以前は計算コストによって制限されていたシナリオである。$O(N)$（GPU 上では$O(\log N)$）の複雑性を維持することで、この手法は以下の可能性を開く：

• KPF、NEID、EXPRES、HARPS-N などの複数の機器からの daily solar monitoring など、$N > 10^5$の観測を持つデータセットの分析。
• 統合 GP の$O(N^3)$のボトルネックにより以前は扱いが困難だった、より複雑なモデルおよび高次元データセットの採用。
• 統合測定が関与する際に、準分離性を欠くカーネル（例えば、準周期的カーネル）へのスケーラブルな GP モデル化の拡張。

著者は、この枠組みが時系列に限定されず、ソート可能な独立変数を持つ任意のビン化データに適用可能であり、SSM 定式化における状態微分の包含により、導関数観測（例えば、FF'モデル）を自然にサポートしていると強調している。この作業は、smolgpを、次世代の天文学的時間領域分析のためのスケーラブルかつ柔軟なツールとして位置づけている。