Sequential Structure-Sensitive Residual Diagnostics for PDE Inverse Problems

技術要約：偏微分方程式（PDE）逆問題のための逐次的な構造感受性残差診断

問題提起
計算科学および工学において、逆問題とは観測データからモデルパラメータを推定することである。極めて重要でありながら、しばしば見落とされるステップは、適合したモデルが予測に十分であるかどうかを評価することである。標準的な手法は、モロゾフの不一致原理や固定サンプルによる $\chi^2$ 検定といった、残差の大きさが想定されたノイズレベルと一致しているかを確認する残差ノルムに基づく診断に依存している。

本論文は、これらの大きさに基づく診断は、平滑化を行う偏微分方程式（PDE）の逆問題においては誤解を招く可能性があると主張している。このような問題では、構造化されたモデル誤差（モデルの誤設定）が、観測空間における順演算子によって減衰されることがある。その結果、残差のパターンに一貫した体系的な構造が存在する場合でも、残差ノルムが実用的な不一致閾値を下回り続ける可能性がある。これにより、適合したモデルが「ノイズと矛盾しない」ように見えながらも、実際にはバイアスのかかったパラメータや、重要な関心量（QoI）に対して重大な誤りをもたらすモデルが受理されてしまう。

手法
著者らは、ゲーム理論的統計学の e-プロセス（e-processes） に基づく、構造感受性逐次診断を提案している。この手法は、固定されたパラメータ推定値 $\hat{\theta}$ に対するポストフィット（適合後）診断として機能する。

1. エキスパート・ポートフォリオ: 本手法は、「エキスパートのバンク」を採用する。各エキスパートは、特定の空間的残差パターンをテストする。これらのパターンは、PDEの幾何学的形状に関連する滑らかな低周波基底関数（フーリエモードや多項式）の辞書から抽出される。
2. e-プロセスの構築: 各エキスパートは、残差が純粋なノイズ（$N(0, \sigma^2)$）であるという帰無仮説に対する尤度比を用いた「賭け」を行う。これらのエキスパートは、ユニバーサル・ポートフォリオ（尤度比の混合物）へと統合される。
3. 逐次的モニタリング: 観測が得られるたびに、ポートフォリオの「資産（wealth）」（集計された尤度比）が更新される。集計された資産が所定の閾値（$1/\alpha$）を超えた場合、診断は適合したモデルを棄却する。
4. 随時有効な制御: e-プロセスの特性とヴィルの不等式を活用することで、本手法は随時有効な（anytime-valid）第一種過誤の制御を保証する。これは、分析者がデータの収集を繰り返し検査したり、予備的な証拠に基づいて収集を早期終了させたり、あるいは継続したりする場合でも、偽陽性率を増大させることなく診断を行えることを意味する。
5. 属性特定（アトリビューション）: 棄却時には、エキスパート・ポートフォリオ内での資産の分布を通じて、証拠がどの空間的残差パターンに起因するかを特定し、モデル修正のための解釈可能な指針を提供する。

主な貢献
本論文の主な貢献は以下の3点である。

1. 定式化: 固定された適合モデルに対して、残差パターンの検出を行うポートフォリオe-プロセスを定式化した。
2. 属性特定: ポートフォリオの重みが空間的残差パターンへの解釈可能な属性提供を行い、簡潔なフォローアップ修正を示唆することを実証した。
3. 実証実験: 3つの異なるPDE逆問題において、標準的な不一致チェックが、小さな構造化された残差を持つ誤設定モデルを受け入れてしまい、バイアスのかかったQoIをもたらす一方で、提案手法がこれらの失敗をより早期に、かつ構造感受性を持って検出できることを示した。

実験結果
本手法は、以下の3つの逆問題で評価された。

• 1次元ポアソン拡散係数: 制御された合成問題であり、誤設定のタイプ（区分的、ガウス型バンプ、3ステップ、線形）を変化させた。
  • 結果: 「線形」の場合、モデル誤差はノイズ以下（$\|\mu^*\| < \sigma$）であった。モロゾフのチェックおよび固定サンプル $\chi^2$ 検定は、この誤差を検出できなかった（あるいは全データセットを必要とした）。一方、e-プロセスはデータのわずか9%を使用して、これを逐次的に検出した。決定的なことに、受理されたモデルは、QoIにおいて最大15.3%（点予測）および7.8%（領域平均）の誤差を生じさせた。
• 2次元ストークス流（底面抵抗）: 境界推論の不良設定問題であり、ベースレベルの誤差が表面へと平滑化される。
  • 結果: 誤設定されたモデル（真の値 $K=4$ に対し $K=3$）は、ノイズと矛盾しない表面残差（RMS/$\sigma \approx 1.35$）を生じた。モロゾフは適合を受理したが、e-プロセスはわずか10%の観測後に構造的不適合を検出した。推定された底面抵抗は質的に誤っており、グラウンディングラインの安定性に重要な最小抵抗の位置をずらしてしまった。
• Icepack（氷河学的なアイスストリーム）: 浅水近似（SSA）を用いたコミュニティ有限要素モデル。
  • 結果: ストークスの例と同様に、e-プロセスは構造的な誤設定（$K=3$ 対 $K=4$）を検出したが、モロゾフは適合を受理した。受理されたモデルは、予測された末端氷流束において36%の誤差をもたらした。

4. モデル修復: ポアソン実験において、資産の分布は支配的な残差モードを正常に特定した。これらの上位モードを用いて不一致補正を適合させたところ、QoI誤差は〜15%から〜3-4%に減少し、全基底に対するブラインド回帰の性能に匹ましていた。

意義と主張
本論文は、e-プロセスがデータ取得中の残差構造を検出するための実用的なワークフローを提供すると主張しており、これは従来のバッチ処理または大きさに基づくテストには欠けている能力である。その意義は以下の点にある：

• 早期検出: 標準的なチェックが発動するほど残差の大きさが顕著になる前に、しばしば全観測のわずかな割合から誤設定を特定する。
• 解釈可能性: ブラックボックス的な棄却とは異なり、資産分布はどの空間パターンが適合の欠如を駆動しているかを特定し、探索的なモデル修正を導く。
• 堅牢性: 計算効率が高く（観測ごとに $O(K)$ の後処理）、順演算子や再学習の変更を必要としない。
• 妥当性: オプション停止（optional stopping）の下での厳密な第一種過誤の制御を提供するため、診断を繰り返し検査したり、適応的なデータ収集を行ったりする設定に適している。

著者らは制限事項についても述べている。本手法は、固定された $\hat{\theta}$（条件付き妥当性）および既知のノイズレベル $\sigma$ を前提としている。ノイズの過大評価に対しては堅牢であるが、過小評価は妥当性の保証を損なう。本フレームワークは、点推定値に対するポストフィット診断のために設計されており、ユニバーサル推論のような追加の保護策を必要とする完全なオンライン・パラメータ再適合のためのものではない。