技術概要：多忠実度モデルの非定常時空間データ融合のための新たな枠組み

1. 問題定義

本論文は、環境応用における多忠実度データの融合という課題に取り組む。具体的には、衛星データや再解析製品など、豊富だがノイズの多い低忠実度（LF）データと、希少だが正確な高忠実度（HF）の現地観測データを組み合わせ、高解像度の再構成を生成する必要がある場合を対象としている。

多忠実度ガウス過程（MFGP）は、複数のデータソースを活用するための有望な解決策を提供するが、標準的な実装では、完全な結合共分散行列の逆行列計算に要する$O(n^3)$の計算複雑性により、大規模データセットに対して計算コストが許容不可能となる。既存のスケーラブルなアプローチ、例えば最近傍ガウス過程（NNGP）などは、反復的な MCMC 手順を用いた完全ベイズ推論に依存することが多く、直接周辺尤度の計算を妨げ、スケーラビリティを制限する。さらに、標準的な MFGP は、忠実度レベル間の非定常な関係性の処理に苦慮することが多く、LF と HF データ間の系統的なベースラインの差異（バイアス）を、忠実度間依存構造に取り込んでしまい、予測を歪める恐れがある。

2. 手法

著者らは、時空間 MFGP 向けのスケーラブルで完全な尤度ベースの枠組みを提案する。この枠組みは、以下の 3 つの中核的要素を統合している。

2.1 分解された多忠実度定式化

完全な結合共分散行列$K$を直接近似するのではなく、本枠組みはモデルを独立した潜在過程に分解する。

• 低忠実度過程$f_L(x)$。
• 独立した不一致過程$\delta(x)$。
• 両者を連結するスケーリングパラメータ$\rho$（定数または空間的に変動するもの）。

結合共分散行列は以下のように表される。
$$K = A\Sigma_w A^\top + D_\epsilon$$
ここで、$\Sigma_w$は$f_L$と$\delta$の共分散を含むブロック対角共分散行列、$A$は忠実度間の相互作用を定義する行列、$D_\epsilon$はナゲット誤差を表す。この分解により、複雑な結合構造に対してではなく、潜在過程$f_L$と$\delta$に対して独立して Vecchia 近似を適用することが可能となる。

2.2 Vecchia 近似と Woodbury 再構成

スケーラビリティを達成するため、本枠組みは潜在過程の精度行列（$\Sigma_L^{-1}$および$\Sigma_\delta^{-1}$）に対して Vecchia 近似を適用する。これにより精度行列に疎性が生じ、計算複雑性が$O(n^3)$から約$O(nm^2)$に低減される（ここで$m$は条件付け集合のサイズである）。

完全なモデルの精度行列$K^{-1}$は明示的に形成されない。代わりに、Woodbury 行列恒等式を用いて、潜在過程の疎な因子と補助行列$H = \Sigma_w^{-1} + A^\top D_\epsilon^{-1} A$を用いて、必要な線形解と尤度評価を再構成する。このアプローチにより、数値的安定性が確保され、密で大規模な共分散行列の形成が回避される。

2.3 一般化最小二乗法（GLS）による平均除去

忠実度レベル間の系統的バイアスが忠実度間依存性に取り込まれるのを防ぐため、著者らは GLS 平均除去戦略を導入する。これは、尤度を評価する前に、結合共分散構造の下で忠実度固有の切片（および潜在的な空間トレンド）を推定するものである。その後、モデルは中心化された残差ベクトルに対して動作し、共分散構造が構造的なオフセットではなく、真の時空間依存性を捉えることを保証する。

2.4 非定常性の統合

本枠組みは、スケーリングパラメータ$\rho$をスカラーではなく空間的に変動する関数$\rho(s)$として扱えるように拡張することで、先行研究を拡張する。これにより、モデルは LF と HF データ間の場所依存関係を捉えることが可能となる。著者らは、$\rho(s)$を線形関数、多項式、または局所データから導出された平滑化された経験的推定量として実装し、疎行列構造の使用を通じて結果の共分散行列が半正定値となることを保証している。

3. 主要な貢献

1. Vecchia 近似の MFGP への初回統合: 本論文は、尤度ベース推論のための多忠実度ガウス過程設定に Vecchia 近似を統合した最初の枠組みを提示し、大規模データセットでのスケーラブルな学習を可能にする。
2. 分解された共分散定式化: LF 過程と不一致過程を分離することで、独立した Vecchia 近似と Woodbury 恒等式による効率的な再構成を可能にし、完全な多忠実度共分散行列の逆行列計算の必要性を回避する。
3. GLS 平均除去戦略: 忠実度固有のオフセットを処理するための一般化最小二乗法アプローチを導入し、系統的バイアスが忠実度間相関の推定を損なうのを防ぐ。
4. 非定常な忠実度間スケーリング: 空間的に変動する統合パラメータ（$\rho(s)$）をサポートし、時空間応用におけるデータ忠実度間の不均質な関係をモデル化する柔軟なメカニズムを提供する。

4. 実験結果

本枠組みは、3 つの実験を通じて検証された。

• 安定性と精度の検証: 合成データを用い、分解された Vecchia 近似を正確な MFGP ベンチマークと比較した。結果、尤度成分および予測精度における近似誤差は、近傍サイズ（$m$）の増加に伴い単調に減少した。相関に基づく近傍選択は、最近傍選択を大幅に上回り、計算コストの断片でほぼ正確な尤度回復を達成した。
• 合成データ実験: 異なるノイズレベルを有する制御された設定において、Vecchia ベースの MFGP（$m=40$）は、平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）、および不確実性較正（95% 予測区間の被覆率）の点で、正確な（近似されていない）MFGP とほぼ同等の性能を示した。両方の MFGP 変種は、単一忠実度 GP ベンチマーク（GP-3D、GP-L、GP-4D）を大幅に上回った。
• 実世界応用（南ロンバルディアの風速）: 本手法は、イタリアにおける風速の再構成のために、ERA5 再解析データ（LF）と ARPA 監視ステーションデータ（HF）を融合するために適用された。データセットには 26,000 件以上の観測値が含まれており、正確な推論は計算上不可能であった。
  • 提案された MFGP 枠組みは、MAE、RMSE、ピアソン相関の点で、単一忠実度時空間 GP ベンチマークを大幅に上回った。
  • 最も単純な構成（定数$\rho$によるグローバル GLS）が、最も堅牢な全体的性能を提供した。
  • 適応的空間トレンド（適応的 GLS）は局所的バイアスを持つ特定のステーションでの性能を向上させたが、データが希薄な領域では過剰な外挿と過信（予測区間の被覆率の低下）を招くことがあった。
  • 入力変換（ワーピング）は、歪んだ風速分布に対する不確実性の較正を改善した。

5. 意義と主張

本論文は、標準的な多忠実度アプローチが計算上許容不可能となる大規模な環境再構成タスクに対する実践的な基盤を提供すると主張する。この研究の意義は以下の点にある。

• スケーラビリティ: 正確な行列逆計算が不可能なデータセットにおいても、多忠実度モデルに対する完全な尤度ベース推論を可能にする。
• 数値的安定性: 分解と疎なコレスキー因子の使用は、特に非定常な忠実度間パラメータを扱う際に、数値的安定性を向上させる。
• 多忠実度利点の維持: 近似枠組みは、時空間構造と忠実度間依存性の両方を活用するという多忠実度モデリングの本質的な利点を保持しつつ、計算効率を達成する。
• 堅牢性: 結果は、実世界の監視ネットワークにおいて、信頼性の高い予測と不確実性の定量化には、厳格なモデル構造（例：平均オフセットの制御や、十分なデータ支援のない過度に柔軟なコンポーネントの回避）が不可欠であることを示唆している。

著者らは、自らの枠組みが、多忠実度モデリングの理論的利点と大規模環境データの実践的制約の間のギャップを成功裡に埋め、非定常結合および不確実性較正における将来の拡張のための柔軟な基盤を提供していると結論付けている。