Correcting for Evidence Uncertainty in the Templated Background Search for the Stochastic Gravitational-Wave Background

技術要約：テンプレート化された背景探索における証拠の不確実性の補正

問題提起
ベイズ的テンプレート背景探索（TBS）は、連星ブラックホール（BBH）などの未分解のコンパクト連星合体によって生成される天体物理学的確率的重力波背景（SGWB）を検出するために設計されたフレームワークである。標準的な相互相関法とは異なり、TBSはデータを短いセグメントに分割し、各セグメントにおける信号対ノイズのベイズ証拠を評価し、これらの結果を混合モデルを介して統合することで、「デューティサイクル」（$\xi$：信号を含むセグメントの割合）を推論する。

著者らは、このフレームワークにおける見落とされていた系統的なバイアスの源を特定している。それは、各セグメントの対数証拠（$\ln Z$）を推定するために使用されるネステッドサンプリング（NS）アルゴリズムに固有の統計的不確実性である。個々のセグメントの不確実は小さいものの、数百万のセグメントを蓄積する際にそれらは相殺されない。なぜなら、ベイズ因子は対数証拠の指数であるため、対数証拠の推定値における確率的なノイズが、期待されるベイズ因子に系統的な上方へのバイアスをもたらすからである。これが混合尤度の中で累積すると、たとえ基礎となる尤度モデルがデータを正確に特徴付けていたとしても、推論されるデューティサイクルにコヒーレントな膨張（過大評価）を引き起こし、最大で1桁程度の誤差を生じさせる可能性がある。

手法
論文では、このバイアスを実証し補正するために、二段構えのアプローチを採用している。

1. 単変量ガウス型トイモデル： 著者らは、データセグメントが信号およびノイズを表すガウス分布からのスカラー値として描かれる最小限の解析的モデルを構築した。これにより、証拠およびベイズ因子の閉形式の表現が可能になる。彼らは既知のデューティサイクル（$\xi = 0$ および $\xi = 0.006$）を持つデータセットをシミュレートし、有限のライブポイント（$n_{live}$）に伴うネステッドサンプリングの統計的不確実性（$\sigma_i$）を模倣するために、対数ベイズ因子にガウス摂動を導入した。
2. 周波数領域モックデータ解析： 現実的な設定で知見を検証するため、著者らは縮小次元のBBH信号モデルを開発した。このモデルは、物理的な信号強度の広がり（冪乗則＋ピーク質量関数およびMadau-Dickinson合体率進化）を保持しつつ、パラメータ空間を縮小しており、これにより証拠積分の直接的な数値積分が可能となっている。これにより、数百万のセグメントに対する「真の」ベイズ因子を生成できる。その後、これらに不確実性スケーリング関係 $\sigma_i \approx \sqrt{H_i/n_{live}}$（ここで $H_i$ は情報利得）を用いて摂動を加え、現実的なネステッドサンプリングの出力をシミュレートした。

主要な貢献と補正
主な貢献は、混合モデルの尤度に対する、統計的に動機付けられた単純な補正の導出と検証である。

• バイアスのメカニズム： 推定された対数ベイズ因子 $\ln \tilde{B}_i$ が、真の値を中心とする分散 $\sigma_i^2$ を持つガウス型確率変数である場合、推定されたベイズファクターの期待値は高く偏ることを著者らは示している：$E[\tilde{B}_i] = B^*_i \exp(\sigma_i^2/2)$。
• 補正： この一次のバイアスを除去するために、著者らは、混合尤度に入る前に推定された対数ベイズ因子から $\frac{1}{2}\sigma_i^2$ を差し引くことを提案している：
  $$\ln \hat{B}_i = \ln \tilde{B}_i - \frac{1}{2}\sigma_i^2$$
  この補正により、補正されたベイズファクターの期待値が、高次の項（$O(\sigma_i^4)$）まで真の値と一致することが保証される。
• 計算効率： この補正は、各セグメントの不確実性推定値 $\sigma_i$ のみを必要とする。これは dynesty や PyMultinest などのネステッドサンプリングパッケージの標準的な出力である。これは、$\sigma_i$ を減らすために $n_{live}$ を増やすという代替案と比較して、計算コストが極めて低い。著者らは、数百万セグメントという規模において、$n_{live}$ を増やすことは計算上不可能であることを示している。

結果

• トイモデルによる検証： 単変量モデルにおいて、補正なしの純粋ノイズデータ（$\xi_{true}=0$）の解析では、ゼロではないデューティサイクルが誤って推論された。バイアスは $n_{live}$ が低いほど顕著であった。補正を適用することで、事後分布はゼロにピークを持つ状態へと復元され、厳密な解析結果と一致した。
• モックデータによる検証： 周波数領域のBBH解析において、補正なしの純粋ノイズデータは $\xi \sim 0.01$ のデューティサイクルを推論したが、真の値はゼロであった。シミュレートされた信号（$\xi_{true} = 0.009$）の場合、補正なしの事後分布はより高い値へと偏っていた。補正された尤度は、テストされたすべての構成において厳密な事後分布を正確に回収した。
• 探索事前分布の感度： 本研究は、探索事前分布と証拠の不確実性の相互作用を調査した。
  • 高SNR事前分布： 事前分布を高最適な信号対雑音比（SNR）領域に限定すると、証拠の不確実性は最小化されるが、中間強度の信号（モデル化されていないビンからのもの）をモデル化されたビンに誤って割り当てるリスクがあり、デューティサイクルを膨張させる。
  • 広範な事前分布： より弱い信号（より低い最適SNR）を含むように事前分布を拡張すると、全集団を捉えることができるが、証拠の不確実性によるバイアスが増幅される。
  • 解決策： 提案された補正により、系統的なバイアスを招くことなく、探索事前分布をより弱い信号へと拡張することが可能となり、感度と堅牢性の間の緊張関係が解消される。

意義と主張
著者らは、証拠の不確実性を考慮することは単なる技術的な洗練ではなく、特に数百万のセグメントを扱う次世代の観測ラン（例：O5）に向けてスケールアップするTBS解析において、堅牢な推論のための必須要件であると主張している。

• 系統的な影響： このバイアスは一次の系統的効果であり、回収されるデューティサイクルを1桁程度シフトさせる可能性がある。
• 集団の推論： このバイアスは集団のハイパーパラメータ（質量スペクトル、合体率など）の結合推論へと伝播し、BBH集団の特性評価を歪ませる。
• 適用可能性： BBHに対して実証されたものであるが、このメカニズムは、この混合モデルを使用するあらゆる探索（BNS背景の探索を含む）に適用可能であり、BNS背景では、セグメントあたりのSNRが低いため、問題はより深刻になると予想される。
• 実践的な実装： 本論文は、標準的なTBSパイプラインにおいて、すべてのセグメントの $\sigma_i$ を保存し、証拠を結合する前の標準的なステップとして $\frac{1}{2}\sigma_i^2$ の減算を適用すべきであると結論付けている。これにより、デューティサイクルの推定精度を損なうことなく、全天体物理学的集団を捉えるように探索事前分布を設計することが可能となる。