Regularised Iterative Generalised Least Squares with Optimal Selection of the Hyper-Parameter for Identifying Nonlinear Phenomenological Models

技術要約：ハイパーパラメータの最適選択を伴う正則化反復一般化最小二乗法

問題提起
本論文は、非線形現象論モデルにおけるパラメータ同定の課題、特にリチウムイオン電池の状態健全性（SoH）推定の文脈における課題に取り組んでいる。これらのモデルは、準物理的な動機付けに基づき、乗法構造（例：べき乗則とアレニウス型項の組み合わせ）を利用することが多く、その結果、パラメータが完全または部分的に共線性（コンファウンディング）を持つことが頻繁に起こる。このような共線性による数値的な条件付けの悪化は、パラメータの信頼できる推定を困難にするか、あるいは不可能にする。識別性のための伝統的なアプローチは、モデル構造の簡略化や、推定可能なパラメータ数を減らすための再パラメータ化を伴うことが多いが、本論文は、そのような簡略化が、特定の老化メカニズムの重要性をランク付けするために必要な基礎となる物理学的思考と相反する可能性があると主張している。核心となる問題は、モデルの望ましい定式化を維持しつつ、不均一分散およびデータの自己相関が存在する場合でも、信頼できるパラメータ推定を得るために数値的な条件付けを改善することである。

手法
著者らは、各反復においてリッジ回帰のハイパーパラメータ（$\lambda$）を自動的かつ最適に選択する、**正則化反復一般化最小二乗法（RIGLS）**フレームワークを提案している。

1. 正則化フレームワーク： 不適切（ill-posed）な同定問題を適切（well-posed）な問題に変換するために、コスト関数にリッジ回帰項（$\mathcal{R}(\theta) = \theta^T\theta$）を導入する。これにより、パラメータをコンパクトな部分集合内に制約し、$\lambda$ によって制御される制約の厳格さとモデルの忠実度とのトレードオフを行う。

2. 最適なハイパーパラメータ選択： 一般化交差検証（GCV）や固定値に依存する手法とは異なり、本手法は、2つの情報理論的基準に基づいて、$\lambda$ のための不動点反復公式を導出する。

   • 杉浦の小標本における赤池情報量基準（$AIC_c$）
   • シュワルツのベイズ情報量基準（$BIC$）

   著者らは、プロファイル対数尤度および有効自由度の$\lambda$に関する微分を導出している。これらの導出により、$\lambda$ が両辺に現れる再推定公式（式19および20）の構築が可能となり、これには反復解が必要となる。

3. アルゴリズムの実装： 提案されたRIGLSアルゴリズムは、以下の反復ループで動作する。

   • 正則化された非線形汎関数を最小化することにより、モデルパラメータ（$\theta$）を推定する。
   • パラメータ推定の各ステップにおいて、導出された不動点反復スキームを用いて、ハイパーパラメータ $\lambda$ を収束まで再推定する。
   • 不均一分散および自己相関を考慮するために、共分散モデルパラメータ（$\delta$）を推定し、重み行列 $W$ を更新する。
   • パラメータ推定の変化が指定された許容範囲を下回るまで、このプロセスを繰り返す。

4. 収束： 論文では、反復関数の微分が1未満の定数によって有界である場合、$\lambda$ の不動点反復の収束を保証する定理を確立している。適切な初期化戦略が、収束条件を満たす開始 $\lambda$ を選択するために提案されている。

主な貢献

• 新規な再推定公式： 非線形な正則化の文脈において、$AIC_c$ および $BIC$ に基づいてリッジ回帰のハイパーパラメータを最適に選択するための新しい解析的な公式を提示している。
• 複雑な誤差構造への対応： 本手法は通常の最小二乗法を超えて、一般的な共分散構造に対応しており、不均一分散および自己相関を持つデータのフィッティングを可能にしている。
• モデル構造の保持： モデルの簡略化ではなく正則化を用いることで、本手法は物理的な現象論モデルの元の構造を保持し、特定の物理的な老化メカニズムに関連するパラメータの推定を可能にしている。
• 自動最適化： ハイパーパラメータ選択を反復一般化最小二乗法のループに統合することで、データへの忠実度と正則化制約の間のトレードオフが、パラメータ探索中の各段階で自動的に処理される。

結果と検証
本手法の有効性は、電池のSoH推定のための Martinez-Laserna モデルを用いたシミュレーション研究を通じて実証されている。この特定のモデルは、その乗法構造が特に極めて低い識別性をもたらすことが知られているため、選定された。

• シミュレーションは、このような文脈において、信頼できるパラメータ推定を得るために正則化が不可欠であることを確認している。
• 分析により、適切な開始値が選ばれた場合、$\lambda$ の不動点反復が非常に迅速に収束することが示されている。
• 結果は、提案されたRIGLSアルゴリズムが、正則化の強さを自動的に調整しながら、モデルパラメータと共分散パラメータの両方を正常に適合できることを検証している。

意義と主張
本論文は、その貢献を「識別性と物理的忠実度」のジレンマに対する解決策として位置づけている。正則化反復一般化最小二乗メカニズムと最適なハイパーパラメータ選択を導入することで、以下のことが可能であると主張している。

1. 簡略化に頼ることなく、物理モデルの複雑な乗法構造を保持すること。
2. 共線性のあるパラメータを扱うために、推定問題の数値的な条件付けを改善すること。
3. 最適化のあらゆる段階において、データの適合と正則化制約の間のトレードオフを自動的にバランスさせること。

著者らは、この手順が、標準的な手法が条件付けの悪化により失敗する非線形現象論モデルの同定において効果的であると結論付けており、リチウムイオン電池のSoH推定への適用を主要なユースケースとして挙げている。本論文は、すべての識別性の問題を解決すると主張しているのではなく、既存の物理モデルの文脈内でそれらを管理するための堅牢な数値的フレームワークを提供している。