Compensator-based inference for signal detection under unknown background: the binned data case

技术摘要：基于补偿器的未知背景下信号检测推断（分箱数据情况）

问题陈述
本文研究了在存在未知背景的情况下检测信号的统计挑战，这一场景在现代物理学和天文学实验（如粒子物理、伽马射线天文学）中普遍存在。数据被建模为在 $d$ 维网格的 $k$ 个不相交超矩形（分箱）上观测到的泊松计数。每个分箱 $i$ 的期望计数由 $E[n_i] = T f_i$ 给出，其中密度 $f$ 是已知信号分量 $f_s$ 与未知背景分量 $f_b$ 的混合：
$$f(x, \eta) = (1 - \eta)f_b(x) + \eta f_s(x)$$
这里，$\eta \in [0, 1)$ 代表待推断的未知相对信号强度。主要目标是检验零假设 $H_0: \eta = 0$ 对抗备择假设 $H_1: \eta > 0$。

一个关键的约束是渐近机制：当总期望计数 $T$ 和分箱数 $k$ 同时趋于无穷大，且满足 $T/k \to c \in (0, \infty)$ 时。在这种机制下，计数保持为泊松分布，而不会收敛到高斯极限，这使得标准的高斯近似失效。此外，背景密度 $f_b$ 是未知的。传统方法通常依赖于标记的“仅背景”样本来估计 $f_b$，但这些方法往往未能考虑到背景估计中的不确定性，从而可能损害推断的有效性。

方法论
作者扩展了先前为独立同分布（i.i.d.）数据开发的“基于补偿器的推断”框架，将其应用于分箱泊松数据的情况。其核心方法论包括：

1. 正交展开与补偿器：
   该方法假设一个背景密度 $g$（可能与真实的 $f_b$ 不同），并构造 $L^2(G)$ 中的正交基。信号模型通过得分函数 $S^\dagger$ 与背景相联系。未知背景 $f_b$ 在该基下进行展开，引入了一个参数 $\delta = E_{F_b}[S^\dagger(X)]$。该参数 $\delta$ 被称为补偿器。它量化了假设的背景 $g$ 与真实背景 $f_b$ 之间的偏差。
   目标参数 $\eta$ 通过以下方程与可识别参数 $\theta$（混合成分在信号方向上的投影）相关联：
   $$\eta = \frac{\theta - \delta}{\|S\|_G - \delta}$$
   至关重要的是，如果可以使用标记的“仅背景”样本，则可以一致地估计 $\delta$，从而实现对 $\eta$ 的有效推断，而无需完全指定或估计复杂的密度 $f_b$。

2. 利用标记背景数据的推断：
   当存在标记的背景样本 $\{m_i\}$ 时，作者推导出了 $\theta$ 和 $\delta$ 的渐近正态估计量。

   • 固定假设背景： 如果 $g$ 是完全指定的，则检验统计量 $\mathcal{Z}_1$ 渐近服从标准正态分布。
   • 参数化假设背景： 如果 $g$ 取决于未知参数 $\beta$（通过在背景样本上进行极大似然估计得到），则提出了一个修正的检验统计量 $\mathcal{Z}_2$。该统计量考虑了由于估计 $\beta$ 而引入的额外不确定性。
     该框架表明，只要能高效估计补偿器 $\delta$，所选的假设背景 $g$ 对推断的影响是微乎其微的。

3. 无标记背景数据的情况下的推断（寻找“凸起”/Bump Hunting）：
   在没有标记的背景样本存在的场景下，$\delta$ 是不可估计的。然而，在“寻找凸起”（即在平滑衰减的背景上寻找局部化信号）常见的特定条件下，可以证明 $\delta \leq 0$。

   • 作者提出了一种保守的推断策略，即测试 $\theta_0 = \theta / \|S\|_G$ 而非 $\eta$。由于 $\delta \leq 0$，可以得出 $\theta_0 \leq \eta$。因此，拒绝 $H_0: \theta_0 = 0$ 可以提供对信号的有效但保守的检测。
   • 为了确保 $\delta \leq 0$ 的条件成立，作者建议使用包含“主导项”（高斯混合）的灵活假设背景 $g_\beta$ 进行敏感性分析。通过视觉或解析验证该主导项是否界定了信号区域内的真实背景，可以证明该保守性测试的合理性。

主要贡献

• 向分箱数据的扩展： 本文将基于补偿器的推断方法从连续 i.i.d. 数据推广到了分箱泊松数据机制，这是现代高能物理和天文学观测的标准形式。
• 对模型误设的鲁棒性： 该方法显式处理了假设背景模型被误设的情况。补偿器 $\delta$ 吸收了假设背景与真实背景之间的差异，确保了推断的有效性，而无需精确指定或估计 $f_b$。
• 无控制样本时的保守推断： 本文为没有标记背景数据的情况提供了一个严谨的框架，该框架依赖于关于信号局部化和背景平滑性的结构性假设，以导出保守的界限。

结果
该方法通过使用来自 Fermi 大面积望远镜（LAT）的模拟数据（由伽马射线能量谱组成）进行了案例研究，以验证其有效性。

• 有标记数据场景： 作者使用 $k=30, 50, 100$ 个分箱的数据分析了四种不同的假设背景模型（均匀分布、固定速率指数分布、估计速率指数分布以及估计方差的高斯分布）。结果显示，尽管不同假设背景相对于真实背景的形状存在显著差异，但估计的信号强度 $\hat{\eta}$ 和所得的 $p$ 值高度一致（所有 $p$ 值均在 $10^{-6}$ 至 $10^{-7}$ 范围内）。这证实了补偿器方法对假设背景选择的鲁棒性。
• 无标记数据场景： 在缺乏背景样本的情况下，作者应用了带有主导项的参数化背景进行保守测试。通过改变主导项的权重 $\lambda$，他们证明了该测试能够产生显著结果（例如，当 $\lambda=0.03$ 时，$p \approx 7.11 \times 10^{-7}$），同时保持有效性。增加 $\lambda$ 会使测试更加保守（降低估计强度，提高 $p$ 值），说明了灵敏度与保守性保证之间的权衡。

意义与主张
本文声称将基于补偿器的推断范围扩大到了分箱数据的实际应用中，这是分箱数据在物理学和天文学中的常见要求。其主要意义在于能够规避精确估计未知背景密度的需求，而这项任务通常难以实现，且如果忽略不确定性，容易引入偏差。
作者强调，该方法提供了一种“视角的变化”，其中推断的保守性是由单个参数（补偿器）决定的。他们断言，只要补偿器被有效估计（在有标记的情况下）或被限定（在无标记的情况下），即使假设背景与真实情况相去甚远，其框架仍然有效。研究结果表明，对于信号检测而言，背景模型的具体选择不如对补偿器的妥善处理那么关键，这使得该方法成为复杂实验环境下进行“寻找凸起”的鲁棒工具。