Multivariate Gaussian process emulation for multifidelity computer models with high-dimensional spatial outputs

この論文「Multivariate Gaussian process emulation for multifidelity computer models with high-dimensional spatial outputs（高次元空間出力を持つマルチフィデリティ計算モデルのための多変量ガウス過程エミュレーション）」の技術的な要約を以下に記します。

1. 研究の背景と課題

• 背景: ハリケーンによる高潮（ストームサージ）のリスク評価には、広大な空間領域にわたって出力を生成する決定論的計算モデル（シミュレーター）が用いられている。
• 課題:
  • 計算コスト: 高精度（高フィデリティ）なシミュレーション（例：ADCIRC + SWAN モデル）は非常に計算コストが高く、不確実性定量化（UQ）に必要な多数の実行が現実的ではない。
  • マルチフィデリティの活用: 一方、低精度（低フィデリティ）モデル（例：ADCIRC のみ）は計算が速いが、精度は低い。両者の情報を統合したエミュレーター（代理モデル）の開発が求められている。
  • 高次元空間出力: 出力は 9,000 以上（場合によっては数百万）の空間地点にわたる高次元データであり、従来の単変量エミュレーション手法や、出力間の依存性を無視した手法では、集約された空間解像度（地域全体のリスクなど）での適切な不確実性定量化が困難である。
  • 空間依存性: 高潮データは空間的に強く相関しており、出力間の共分散構造（クロス共分散）を考慮しないと、集約出力に対する信頼区間の被覆率（Coverage）が不適切になる（過小または過大評価）。

2. 提案手法（メソドロジー）

著者らは、マルコフ性を利用した「自己回帰的コクリギング（Autoregressive Cokriging）」フレームワークを拡張し、高次元空間出力に対応する 2 つのベイズ多変量ガウス過程モデルを提案している。

2.1 共通の枠組み

• 自己回帰構造: 低フィデリティ出力 $y_{t-1}$ と高フィデリティ出力 $y_t$ の関係を $y_t(x) = \gamma_{t-1}y_{t-1}(x) + \delta_t(x)$ とモデル化する。ここで $\delta_t$ は残差項であり、ガウス過程として扱われる。
• 入力設計: 高フィデリティモデルの入力設計は、低フィデリティモデルの入力設計にネストされている（$X_1 \supset X_2 \supset \dots$）。

2.2 提案モデル 1: 分離可能自己回帰コクリギング (SEP ARCokrig)

• 特徴: 入力空間と出力空間の共分散が分離可能（Separable）であると仮定する。つまり、共分散行列は入力相関行列と出力クロス共分散行列のクロネッカー積で表される。
• クロス共分散の推定: 出力数がサンプル数より多い高次元問題において、クロス共分散行列 $\Sigma$ の推定を安定化させるため、その逆行列（精度行列）$\Omega = \Sigma^{-1}$ に**疎なチョレスキー分解（Sparse Cholesky decomposition）**を仮定する。
  • 各出力 $j$ を、順序付けられた過去の $p$ 個の隣接出力 $1, \dots, j-1$ に対する回帰として表現し、条件付き独立性を仮定することで疎性を誘導する。
  • 精度行列の要素に対してスパースな事前分布（Cholesky 事前分布）を割り当てることで、計算効率的なベイズ推論を可能にする。
• 利点: 入力空間と出力空間が分離されているため、各フィデリティレベルでパラメータを個別に事後推論でき、計算ボトルネックを回避できる。

2.3 提案モデル 2: 非分離可能自己回帰コクリギング (NONSEP ARCokrig)

• 特徴: 入力空間と出力空間の共分散が非分離可能（Nonseparable）であり、より柔軟な依存構造を捉える。
• 基底表現: 各フィデリティレベルの出力を、主成分分析（PCA）で得られた基底ベクトルと、それに対応するランダム重みの線形結合として表現する（$y_t(x) = \sum k_{t,\ell} w_{t,\ell}(x) + \epsilon_t$）。
• 重みのモデル化: 基底重み $w_{t,\ell}(x)$ に対して、異なるフィデリティレベル間で自己回帰コクリギング構造を適用する。これにより、精度の順序付けを維持しつつ、入力空間と出力空間の非分離性を保つ。
• 利点: 出力の空間的な変動パターン（非定常性など）を基底関数を通じて柔軟に捉えることができる。

3. 主要な貢献

1. 高次元出力への拡張: 従来のマルチフィデリティエミュレーション手法を、空間的に高次元な出力（数千〜数百万点）に対応するように拡張した。
2. 2 つのクロス共分散構造の提案:
   • 疎なチョレスキー事前分布を用いたSEPモデル（計算効率重視）。
   • PCA ベースの基底表現を用いたNONSEPモデル（柔軟性重視）。
3. 効率的な事後推論: 両モデルとも、入力相関パラメータ以外のパラメータ（回帰係数、分散パラメータなど）を解析的に積分消去（マージアウト）できる閉形式の事後分布を導出した。これにより、MCMC によるサンプリングは入力相関パラメータのみに限定され、計算が高速化された。
4. 集約出力における不確実性定量化の改善: 単一地点での予測だけでなく、空間的に集約された出力（地域全体の平均など）における信頼区間の被覆率を適切に評価できることを示した。

4. 実験結果

• テストベッド例（化学物質の拡散シミュレーション）:
  • 提案モデル（SEP, NONSEP）と既存モデル（PP, PP-ARCokrig）を比較。
  • 単一地点の予測誤差（RMSPE）では SEP が最も優れていた。
  • 集約出力の評価では、クロス共分散を考慮しない既存モデル（PP, PP-ARCokrig）は信頼区間の被覆率が極端に低かった（20-23% 程度）のに対し、提案モデルは 93-100% と適切な被覆率を示した。
• ストームサージ応用（フロリダ州ケープコラル）:
  • 低フィデリティ（ADCIRC）と高フィデリティ（ADCIRC+SWAN）の 2 段階モデルを使用。
  • NONSEP モデルが、単一地点および集約出力の両方において、SEP モデルや既存モデルを上回る予測精度（RMSPE）と不確実性定量化（CVG, ALCI）を示した。
  • 7 つの主成分（PC）を使用することで、誤差の大部分を説明でき、コクリギング構造（低・高フィデリティの結合）が予測精度を 50% 以上向上させた。
  • 既存モデル（PP-ARCokrig）は単一地点の RMSPE は低かったが、集約出力における不確実性定量化が不適切であった。

5. 意義と結論

• 実用上の意義: 沿岸洪水ハザード研究において、計算コストの高い高フィデリティシミュレーションを多数実行することなく、地域全体のリスク評価に必要な「集約された出力」に対して、適切な不確実性定量化を行うための実用的なフレームワークを提供した。
• 学術的意義: マルコフ性に基づく自己回帰構造と、分離可能・非分離可能な共分散構造を組み合わせることで、高次元空間出力を持つマルチフィデリティ問題に対する効率的かつ正確なガウス過程エミュレーションの新しいパラダイムを確立した。
• 結論: 複雑なクロス共分散構造を持つ提案モデルは、計算コストを増大させることなく、集約された空間解像度における不確実性の定量化を大幅に改善することが実証された。特に、ストームサージのような滑らかで空間的に相関の強い出力に対しては、NONSEP モデルが最も優れた性能を示した。