Estimating hyperparameters and instrument parameters in regularized inversion. Illustration for SPIRE/Herschel map making

Technische Samenvatting: Schatting van Hyperparameters en Instrumentparameters in Geregulariseerde Inversie

Probleemstelling
Het artikel behandelt de uitdaging van beeldreconstructie in de astrofysica, specifiek voor het SPIRE-instrument op de Herschel-ruimtetelescoop. De kern van het probleem is een "ongesuperviseerd en myope" inversie-opgave. Standaard inversiemethoden vereisen doorgaans:

1. Gesuperviseerde afstemming: Hyperparameters (die de balans bewaken tussen datafidelity en de prior-regularisatie) moeten handmatig worden ingesteld, wat vaak kennis van de "ware" hemel of uitgebreid trial-and-error vereist.
2. Bekende instrumentmodellen: Instrumentparameters (zoals lobbreedte, responstijd en gain) worden gewoonlijk bepaald via specifieke kalibratie-observaties. Deze waarden bevatten onvermijdelijk fouten door spectrale afhankelijkheden en onzekerheden in de kalibratie.

De auteurs beogen een drieledig probleem op te lossen vanuit één enkele observatie: het gelijktijdig schatten van de hemelkaart ($x$), de hyperparameters ($\xi$) en de instrumentparameters ($\eta$), zonder voorafgaande kennis van de grondwaarheid of specifieke kalibratiedata.

Methodologie
De voorgestelde aanpak is gebaseerd op een Full-Bayesiaans framework. De auteurs construeren een posterior dichtheid $p(x, \xi, \eta | y)$ voor alle onbekende grootheden gegeven de observaties $y$.

1. Probabilistische Modellering:

   • Likelihood: Het observatiemodel is lineair ($y = A_\eta x + n$), waarbij de ruis $n$ wordt gemodelleerd als Gaussisch met een gemiddelde $m_n$ en een covariantiestructuur gedefinieerd door een precisieparameter $\gamma_n$.
   • Prior voor de Kaart: De hemelkaart $x$ wordt gemodelleerd met een Gaussische prior om ruimtelijke regulariteit (gladheid) af te dwingen, gecontroleerd door een precisieparameter $\gamma_x$. De regulariteitsstructuur wordt gedefinieerd via een kwadratische norm van ruimtelijke afgeleiden.
   • Hyperpriors: De hyperparameters ($\xi = [m_n, \gamma_n, \gamma_x]$) krijgen niet-informatieve Jeffreys' priors ( $1/\gamma$ voor precisies, uniform voor gemiddelden) om prior-bias te minimaliseren.
   • Instrumentparameters: De instrumentparameters $\eta$ worden gemodelleerd met Gaussische priors gecentreerd op nominale waarden met bijbehorende onzekerheden.

2. Posterior Dichtheid:
   De gezamenlijke posterior dichtheid wordt afgeleid door de likelihood en de priors te combineren. Vanwege de hoge dimensionaliteit van de kaart ($M \sim 10^5$) en de complexe, niet-lineaire afhankelijkheid van de observaties op de instrumentparameters $\eta$, kan de posterior niet direct worden geanalyseerd of analytisch worden gemaximaliseerd.

3. Stochastische Sampling (MCMC):
   Om de posterior dichtheid te verkennen, gebruiken de auteurs een Markov Chain Monte-Carlo (MCMC) algoritme gebaseerd op een Gibbs loop met een Metropolis-Hastings (MH) stap:

   • Kaart Sampling ($x$): Het samplen uit de conditionele posterior van de kaart is moeilijk vanwege de grote omvang en correlatiestructuur. De auteurs maken gebruik van een geperturbeerde geregulariseerde kleinste-kwadraten-criterium. Door specifieke ruis-perturbaties toe te voegen aan de data en het prior-gemiddelde, levert de minimizer van dit criterium een sample die exact verdeeld is volgens de gewenste conditionele Gaussische posterior.
   • Hyperparameter Sampling ($\xi$): De conditionele posteriors voor de precisieparameters ($\gamma_n, \gamma_x$) zijn Gamma-verdelingen, en het gemiddelde van de ruis ($m_n$) volgt een Gaussische verdeling. Deze worden gesampled met standaard routines.
   • Instrument Parameter Sampling ($\eta$): De conditionele posterior voor $\eta$ is niet-standaard en complex. De auteurs gebruiken een Metropolis-Hastings random-walk stap. Een voorstel (proposal) wordt gegenereerd en de acceptatieratio wordt berekend op basis van de ratio van de conditionele posterior dichtheden (likelihood $\times$ prior).

Belangrijkste Bijdragen

• Gezamenlijk Schattingsframework: Het artikel presenteert een verenigd Bayesiaans framework dat de kaart, hyperparameters en instrumentparameters gezamenlijk schat, waarmee de traditionele scheiding tussen kalibratie en inversie wordt overstreden.
• Algoritmische Innovatie:
  • Ontwikkeling van een specifieke samplingtechniek voor hoog-dimensionale Gaussische kaarten met behulp van geperturbeerde criteria om directe matrixinversie te vermijden.
  • Integratie van een Metropolis-Hastings stap om de niet-standaard, niet-lineaire conditionele posterior van instrumentparameters binnen een Gibbs loop te behandelen.
• Ongesuperviseerde en Myope Capaciteit: De methode werkt zonder "hemel-waarheid" (ongesuperviseerd) en zonder specifieke kalibratie-observaties (myope), waarbij instrumentparameters direct uit de wetenschappelijke data worden geschat.

Resultaten
De methode werd geëvalueerd met behulp van het SPIRE-instrumentmodel met zowel gesimuleerde data (Galactische Cirrus, uitgebreide emissie en puntbronnen) als echte observaties (NGC 7023).

• Kaartreconstructie: De ongesuperviseerde methode produceerde kaarten die visueel en kwantitatief vergelijkbaar zijn met de "beste" gesuperviseerde kaarten (waarbij hyperparameters handmatig zijn afgestemd met behulp van de grondwaarheid). De reconstructiefout was slechts iets hoger (3,47% vs. 3,12% voor gesimuleerde Galactische Cirrus). De methode slaagde erin zowel grootschalige structuren als kleinschalige details te herstellen die onzichtbaar zijn in naïeve co-added kaarten.
• Hyperparameter Schatting: Het algoritme schatte de ruis- en regulariteitparameters correct. Voor gesimuleerde data met bekende grondwaarheid lag de geschatte ruisprecisie binnen 1% van de werkelijke waarde.
• Instrument Parameter Schatting: In het myope scenario werd de instrumentparameter (gerelateerd aan de breedte van de Point Spread Function) geschat met een fout van ongeveer 5–7%, ondanks een prior-onzekerheid van 33%. De schatting was nauwkeuriger wanneer de bron hoogfrequente inhoud bevatte (puntbronnen).
• Onzekerheidskwantificatie: De methode levert op natuurlijke wijze de posterior standaarddeviatie (PSD) op, wat een kaart van onzekerheid biedt die correct de regio's met een hoge betrouwbaarheid (geobserveerde gebieden) onderscheidt van geëxtrapoleerde regio's.

Betekenis en Claims
De auteurs stellen dat dit werk aantoont dat het haalbaar is om ongesuperviseerde en myope inversie uit te voeren in een complexe astrofysische context. Zij beweren dat:

• De voorgestelde methode hyperparameters en instrumentparameters automatisch kan afstemmen, waardoor handmatige interventie of specifieke kalibratiescans overbodig worden.
• De kwaliteit van de resulterende kaarten bijna gelijk is aan die verkregen met perfecte kennis van het instrument en optimale handmatige afstemming.
• De aanpak een consistent framework biedt voor het beheren van de afweging tussen prior-informatie en observationele data, terwijl tegelijkertijd de onzekerheid wordt gekwantificeerd.

Het artikel concludeert dat deze eerste resultaten veelbelovend zijn voor de systematische, automatische verwerking van grote datastromen van huidige en toekomstige ruimtegebaseerde instrumenten (bijv. Herschel, Planck, JWJW), hoewel het erkent dat de computationele kosten (ongeveer 10 uur voor het myope geval) en de lichte onderschatting van instrumentparameters in bepaalde spectrale regimes gebieden zijn voor toekomstige verfijning.