WikiDer > Теория информационного поля

Теория информационного поля (IFT) - это Байесовский статистическая теория поля относящийся к реконструкция сигнала, космографияи другие связанные области.^[1][2] IFT обобщает информацию, доступную на физическое поле с помощью Байесовские вероятности. Он использует вычислительные методы, разработанные для квантовая теория поля и статистическая теория поля справиться с бесконечным количеством степени свободы поля и получить алгоритмы для расчета поля ожидаемые значения. Например, задний ожидаемое значение поля, созданного известным Гауссовский процесс и измеряется линейным устройством с известным Гауссов шум статистику дает обобщенный фильтр Винера применяется к измеренным данным. IFT расширяет такую ​​известную формулу фильтра на ситуации с нелинейная физика, нелинейные устройства, негауссовский статистика поля или шума, зависимость статистики шума от значений поля и частично неизвестные параметры измерения. Для этого он использует Диаграммы Фейнмана, перенормировка уравнения потока и другие методы из математическая физика.^[3]

Мотивация

Поля играют важную роль в науке, технологиях и экономике. Они описывают пространственные изменения некоторой величины, например температуры воздуха, в зависимости от положения. Знание конфигурации поля может иметь большое значение. Однако измерения полей никогда не могут с уверенностью обеспечить точную конфигурацию поля. Физические поля имеют бесконечное количество степеней свободы, но данные, генерируемые любым измерительным устройством, всегда конечны, обеспечивая лишь конечное количество ограничений для поля. Таким образом, однозначное выведение такого поля только из данных измерений невозможно и только вероятностный вывод остается как средство сделать заявления о поле. К счастью, физические поля обнаруживают корреляции и часто подчиняются известным физическим законам. Такую информацию лучше всего объединить с выводом поля, чтобы преодолеть несоответствие степеней свободы поля точкам измерения. Чтобы справиться с этим, необходима теория информации для полей, а это и есть теория информационного поля.

Концепции

Байесовский вывод

${ displaystyle s (x)}$ это значение поля в местоположении ${ displaystyle x in Omega}$ в пространстве ${ displaystyle Omega}$. Предварительные знания о неизвестном сигнальном поле ${ displaystyle s}$ закодирован в распределении вероятностей ${ displaystyle { mathcal {P}} (s)}$. Данные ${ displaystyle d}$ предоставляет дополнительную информацию о ${ displaystyle s}$ через вероятность ${ Displaystyle { mathcal {P}} (д | s)}$ который включается в апостериорную вероятность

в соответствии с Теорема Байеса.

Информация Гамильтониан

В IFT теорема Байеса обычно переписывается на языке статистической теории поля,

с информационным гамильтонианом, определенным какотрицательный логарифм совместной вероятности данных и сигнала и с функция распределения существованиеЭта переформулировка теоремы Байеса позволяет использовать методы математической физики, разработанные для рассмотрения статистические теории поля и квантовые теории поля.

Поля

Поскольку поля имеют бесконечное число степеней свободы, определение вероятностей над пространствами конфигураций полей имеет тонкости. Идентификация физических полей как элементов функциональных пространств создает проблему, Мера Лебега определяется над последним, и поэтому плотности вероятности не могут быть определены там. Однако физические поля имеют гораздо большую регулярность, чем большинство элементов функциональных пространств, поскольку они непрерывны и гладкие в большинстве своих мест. Поэтому менее общие, но достаточно гибкие конструкции могут использоваться для обработки бесконечного числа степеней свободы поля.

Прагматический подход состоит в том, чтобы рассматривать поле дискретизацией в пикселях. Каждый пиксель несет одно значение поля, которое предполагается постоянным в пределах объема пикселя. Все утверждения о непрерывном поле затем должны быть преобразованы в его пиксельное представление. Таким образом, мы имеем дело с конечномерными полевыми пространствами, в которых плотности вероятностей хорошо определены.

Чтобы это описание было правильной теорией поля, дополнительно требуется, чтобы разрешение в пикселях ${ displaystyle Delta x}$ всегда можно уточнить, а математические ожидания дискретизированного поля ${ displaystyle s _ { Delta x}}$ сходятся к конечным значениям:

Интегралы по путям

Если этот предел существует, можно говорить об интеграле по пространству конфигурации поля или интеграл по путям

независимо от разрешения его можно было бы оценить численно.

Гауссовский приор

Самый простой априор для поля - это нулевое среднее Гауссово распределение вероятностей

Определитель в знаменателе может быть неверно определен в континуальном пределе ${ displaystyle Delta x rightarrow 0}$, однако, все, что необходимо для согласованности IFT, - это то, что этот определитель может быть оценен для любого представления поля конечного разрешения с помощью ${ displaystyle Delta x> 0}$ и что это позволяет вычислять сходящиеся ожидаемые значения.

Гауссовское распределение вероятностей требует задания двухточечной корреляционной функции поля ${ Displaystyle S Equiv langle s , s ^ ​​{ dagger} rangle _ {(s)}}$ с коэффициентами

и скалярное произведение для непрерывных полей относительно которой обратная ковариация поля сигнала ${ Displaystyle S ^ {- 1}}$ построен, т.е. ${ Displaystyle (S ^ {- 1} S) _ {xy} Equiv int _ { Omega} dz , (S ^ {- 1}) _ {xz} S_ {zy} = mathbb {1} _ {ху} эквив дельта (ху).}$

Соответствующий гамильтониан априорной информации имеет вид

Уравнение измерения

Данные измерений ${ displaystyle d}$ был сгенерирован с вероятностью ${ Displaystyle { mathcal {P}} (д | s)}$. Если прибор был линейным, уравнение измерения вида

можно дать, в котором ${ displaystyle R}$ отклик прибора, который описывает, как данные в среднем реагируют на сигнал, и ${ displaystyle n}$ это шум, просто разница между данными ${ displaystyle d}$ и линейный отклик сигнала ${ Displaystyle R , s}$. Важно отметить, что ответ переводит бесконечномерный вектор сигнала в конечномерное пространство данных. В компонентах это читается как ${ displaystyle d_ {i} = int _ { Omega} dx , R_ {ix} , s_ {x} + n_ {i},}$

где также были введены обозначения компонент вектора для векторов сигналов и данных.

Если шум следует за независимым от сигнала гауссовой статистикой с нулевым средним и ковариацией ${ displaystyle N}$, ${ Displaystyle { mathcal {P}} (п | s) = { mathcal {G}} (п, N),}$ тогда вероятность также гауссова,

а гамильтониан информации правдоподобия равенЛинейное измерение гауссовского сигнала с учетом гауссовского и независимого от сигнала шума приводит к свободному IFT.

Бесплатная теория

Свободный гамильтониан

Совместный информационный гамильтониан гауссовского сценария, описанный выше, имеет вид

куда ${ displaystyle { widehat {=}}}$ обозначает равенство с точностью до нерелевантных констант, что в данном случае означает выражения, не зависящие от ${ displaystyle s}$. Из этого ясно, что апостериорная функция должна быть гауссовой со средним ${ displaystyle m}$ и дисперсия ${ displaystyle D}$, где равенство между правой и левой частями выполняется, поскольку оба распределения нормированы, ${ displaystyle int { mathcal {D}} s , { mathcal {P}} (s | d) = 1 = int { mathcal {D}} s , { mathcal {G}} ( sm, D)}$.

Обобщенный фильтр Винера

Апостериорное среднее

также известен как обобщенный Фильтр Винера решение и ковариация неопределенности как дисперсия Винера.

В IFT ${ displaystyle j = R ^ { dagger} N ^ {- 1} d}$ называется источником информации, поскольку он действует как исходный элемент для возбуждения поля (знания), и ${ displaystyle D}$ распространитель информации, поскольку он передает информацию из одного места в другое в

Теория взаимодействия

Взаимодействующий гамильтониан

Если какое-либо из предположений, которые приводят к свободной теории, нарушается, IFT становится теорией взаимодействия, с членами, которые имеют более высокий, чем квадратичный порядок в поле сигнала. Это происходит, когда сигнал или шум не соответствуют гауссовой статистике, когда ответ нелинейный, когда шум зависит от сигнала или когда ответ или ковариации неопределенны.

В этом случае информационный гамильтониан может быть расширен за Тейлор-Фреше серии,

куда ${ displaystyle { mathcal {H}} _ { text {free}} (d, , s)}$ - свободный гамильтониан, который сам по себе привел бы к гауссовской апостериорной теории, и ${ displaystyle { mathcal {H}} _ { text {int}} (d, , s)}$ - взаимодействующий гамильтониан, кодирующий негауссовские поправки. Коэффициенты Тейлора первого и второго порядка часто отождествляются с (отрицательным) источником информации. ${ displaystyle -j}$ и распространитель информации ${ displaystyle D}$, соответственно. Более высокие коэффициенты ${ displaystyle Lambda _ {x_ {1} ... x_ {n}} ^ {(n)}}$связаны с нелинейными самовзаимодействиями.

Классическое поле

Классическое поле ${ displaystyle s _ { text {cl}}}$ минимизирует информационный гамильтониан,

и, следовательно, максимизирует задний:Классическое поле ${ displaystyle s _ { text {cl}}}$ поэтому максимальная апостериорная оценка задачи вывода поля.

Критический фильтр

Задача фильтра Винера требует двухточечной корреляции ${ Displaystyle S Equiv langle s , s ^ ​​{ dagger} rangle _ {(s)}}$ поля, чтобы быть известным. Если он неизвестен, он должен быть выведен вместе с самим полем. Для этого требуется спецификация гиперприор ${ Displaystyle { mathcal {P}} (S)}$. Часто можно предположить статистическую однородность (трансляционную инвариантность), подразумевая, что ${ displaystyle S}$ диагонально в Пространство Фурье (за ${ Displaystyle Omega = mathbb {R} ^ {u}}$ быть ${ displaystyle u}$ размерный Декартово пространство). В этом случае только спектр мощности пространства Фурье ${ Displaystyle P_ {s} ({ vec {k}})}$ необходимо сделать вывод. При дальнейшем предположении о статистической изотропии этот спектр зависит только от длины ${ Displaystyle к = | { vec {k}} |}$ вектора Фурье ${ displaystyle { vec {k}}}$ и только одномерный спектр ${ Displaystyle P_ {s} (к)}$ должен быть определен. Тогда предыдущая ковариация поля читается в координатах пространства Фурье ${ displaystyle S _ {{ vec {k}} { vec {q}}} = (2 pi) ^ {u} delta ({ vec {k}} - { vec {q}}) , P_ {s} (k)}$.

Если до ${ Displaystyle P_ {s} (к)}$ плоская, совместная вероятность данных и спектра равна

где обозначение пропагатора информации ${ Displaystyle D = (S ^ {- 1} + R ^ { dagger} N ^ {- 1} R) ^ {- 1}}$ и источник ${ displaystyle j = R ^ { dagger} N ^ {- 1} d}$ Проблема фильтра Винера была использована снова. Соответствующий информационный гамильтониан имеет видкуда ${ displaystyle { widehat {=}}}$ обозначает равенство с точностью до нерелевантных констант (здесь: константа относительно ${ Displaystyle P_ {s}}$). Минимизация этого по отношению к ${ Displaystyle P_ {s}}$, чтобы получить максимальную апостериорную оценку спектра мощности, даетгде фильтр Винера означает ${ Displaystyle м = D , j}$ и проектор спектрального диапазона ${ displaystyle ( mathbb {P} _ {k}) _ {{ vec {q}} { vec {q}} '} Equiv (2 pi) ^ {u} delta ({ vec { q}} - { vec {q}} ') , delta (| { vec {q}} | -k)}$были представлены. Последний ездит с ${ Displaystyle S ^ {- 1}}$, поскольку ${ displaystyle (S ^ {- 1}) _ { vec {k}} { vec {q}}} = (2 pi) ^ {u} delta ({ vec {k}} - { vec {q}}) , [P_ {s} (k)] ^ {- 1}}$ диагональна в пространстве Фурье. Таким образом, максимальная апостериорная оценка для спектра мощности равна Его нужно рассчитывать итеративно, так как ${ Displaystyle м = D , j}$ и ${ Displaystyle D = (S ^ {- 1} + R ^ { dagger} N ^ {- 1} R) ^ {- 1}}$ зависят как от ${ Displaystyle P_ {s}}$ самих себя. В эмпирический байесовский подход, оценочный ${ Displaystyle P_ {s}}$ будет принято как данность. Как следствие, апостериорная средняя оценка поля сигнала является соответствующей ${ displaystyle m}$ и его неопределенность соответствующая ${ displaystyle D}$ в эмпирическом байесовском приближении.

Результирующий нелинейный фильтр называется критический фильтр.^[4] Обобщение формулы оценки спектра мощности как

демонстрирует порог восприятия для ${ displaystyle delta <1}$, что означает, что дисперсия данных в полосе Фурье должна превышать ожидаемый уровень шума на определенный порог перед восстановлением сигнала. ${ displaystyle m}$ становится ненулевым для этой полосы. Когда дисперсия данных немного превышает этот порог, восстановление сигнала перескакивает на конечный уровень возбуждения, аналогичный фазовый переход первого рода в термодинамических системах. Для фильтра с ${ displaystyle delta = 1}$ восприятие сигнала начинается непрерывно, как только дисперсия данных превышает уровень шума. Исчезновение прерывистого восприятия при ${ displaystyle delta = 1}$ похожа на термодинамическую систему, проходящую через критическая точка. Отсюда и название «критический фильтр».

Критический фильтр, его расширения до нелинейных измерений и включение априорных значений неплоского спектра позволили применить IFT к проблемам вывода реальных сигналов, для которых ковариация сигнала обычно неизвестна априори.

Примеры применения IFT

Обобщенный фильтр Винера, который появляется в бесплатном IFT, широко используется в обработке сигналов. Алгоритмы, явно основанные на IFT, были выведены для ряда приложений. Многие из них реализованы с использованием Теория числового информационного поля (NIFTy) библиотека.

• D³PO это код для Снижение шумов, деконволюция и разложение наблюдений за фотонами. Он восстанавливает изображения из отдельных событий счета фотонов, принимая во внимание статистику счета Пуассона и функцию отклика прибора. Он разделяет излучение неба на изображение диффузного излучения и одного из точечных источников, используя различную структуру корреляции и статистику двух компонентов для их разделения. D³PO был применен к данным Ферми и RXTE спутники.
• РАЗРЕШИТЬ представляет собой байесовский алгоритм построения изображений с синтезом апертуры в радиоастрономии. RESOLVE похож на D³PO, но предполагает гауссовское правдоподобие и функцию отклика в пространстве Фурье. Он был применен к данным Очень большой массив.
• PySESA это Фреймворк Python для пространственно-явного спектрального анализа для пространственно явного спектрального анализа облаков точек и геопространственных данных.

Продвинутая теория

Многие методы из квантовой теории поля могут использоваться для решения проблем IFT, например диаграммы Фейнмана, эффективные действия и формализм полевого оператора.

Диаграммы Фейнмана

В случае, если коэффициенты взаимодействия ${ Displaystyle Lambda ^ {(п)}}$ в Тейлор-Фреше разложение информационного гамильтониана

малы, функция раздела журнала, или Свободная энергия Гельмгольца,можно асимптотически разложить по этим коэффициентам. Свободный гамильтониан определяет среднее ${ Displaystyle м = D , j}$ и дисперсия ${ displaystyle D}$ распределения Гаусса ${ displaystyle { mathcal {G}} (s-m, D)}$ над которым интегрировано расширение. Это приводит к сумме по множеству ${ displaystyle C}$ всех связанных Диаграммы Фейнмана. По свободной энергии Гельмгольца любой связанный момент поля может быть вычислен с помощью Ситуации, в которых существуют небольшие параметры расширения, необходимые для сходимости такого схематического расширения, задаются полями сигнала, близкими к гауссову, где негауссовость статистики поля приводит к малым коэффициентам взаимодействия ${ Displaystyle Lambda ^ {(п)}}$. Например, статистика Космический микроволновый фон почти гауссовский, с небольшими количествами негауссовости, которые, как считается, были засеяны во время инфляционная эпоха в Ранняя Вселенная.

Эффективное действие

Чтобы иметь стабильные числовые значения для задач IFT, необходим функционал поля, который в случае минимизации обеспечивает поле апостериорного среднего. Это дается эффективным действием или Свободная энергия Гиббса поля. Свободная энергия Гиббса ${ displaystyle G}$ можно построить из свободной энергии Гельмгольца с помощью Превращение Лежандра. В IFT это разница внутренней информационной энергии

и Энтропия Шеннона для температуры ${ displaystyle T = 1}$, где апостериорное приближение Гаусса ${ Displaystyle { mathcal {P}} '(s | d') = { mathcal {G}} (s-m, D)}$ используется с приблизительными данными ${ displaystyle d '= (м, D)}$ содержащий среднее значение и дисперсию поля.^[5]

Тогда свободная энергия Гиббса равна

то Расхождение Кульбака-Лейблера ${ displaystyle { text {KL}} ({ mathcal {P}} ', { mathcal {P}})}$ между аппроксимационной и точной апостериорной плюс свободная энергия Гельмгольца. Поскольку последнее не зависит от приблизительных данных ${ displaystyle d '= (м, D)}$, минимизация свободной энергии Гиббса эквивалентна минимизации расхождения Кульбака-Лейблера между приближенным и точным апостериорным. Таким образом, подход эффективного действия IFT эквивалентен подходу вариационные байесовские методы, что также минимизирует расхождение Кульбака-Лейблера между приближенными и точными апостериорными.

Минимизация свободной энергии Гиббса приближенно дает апостериорное среднее поле

тогда как минимизация информации гамильтониан обеспечивает максимальное апостериорное поле. Поскольку последний, как известно, вызывает чрезмерный шум, первый обычно является лучшим средством оценки поля.

Операторный формализм

Вычисление свободной энергии Гиббса требует вычисления гауссовых интегралов по информационному гамильтониану, поскольку внутренняя информационная энергия равна

Такие интегралы могут быть вычислены с помощью формализма оператора поля:^[6] в котором - оператор поля. Это генерирует выражение поля ${ displaystyle s}$ внутри интеграла, если применить его к функции распределения Гаусса, и любая более высокая мощность поля, если применяется несколько раз,Если информационный гамильтониан аналитический, все его члены могут быть сгенерированы через полевой операторПоскольку оператор поля не зависит от поля ${ displaystyle s}$ сам по себе, его можно вытащить из интеграла по путям конструкции внутренней энергии информации,куда ${ displaystyle 1_ {m} = 1}$ следует рассматривать как функционал, который всегда возвращает значение ${ displaystyle 1}$ независимо от значения его ввода ${ displaystyle m}$. Полученное выражение можно вычислить, коммутируя аннигилятор среднего поля ${ displaystyle D , { frac { mathrm {d}} { mathrm {d} m}}}$ справа от выражения, где они исчезают, поскольку ${ displaystyle { frac { mathrm {d}} { mathrm {d} m}} , 1_ {m} = 0}$. Аннигилятор среднего поля ${ displaystyle D , { frac { mathrm {d}} { mathrm {d} m}}}$ коммутирует со средним полем как

Используя формализм оператора поля, можно вычислить свободную энергию Гиббса, что позволяет сделать (приближенный) вывод апостериорного среднего поля с помощью численной робастной минимизации функционала.

История

Книга Норберт Винер^[7] можно рассматривать как одну из первых работ по полевому выводу. Использование интегралов по путям для вывода полей было предложено рядом авторов, например. Эдмунд Бертшингер^[8] или Уильям Биалек и А. Зи.^[9] Связь теории поля и байесовских рассуждений была четко обозначена Йоргом Леммом.^[10] Период, термин теория информационного поля был придумал Торстен Энслин.^[11] См. Последнюю ссылку для получения дополнительной информации об истории IFT.

Смотрите также

• Байесовский вывод
• Байесовское иерархическое моделирование
• Гауссовский процесс
• Статистические выводы

Рекомендации