Spectral Uncertainty Decomposition for Sparse Bayesian Learning

Estimating distributed neural sources from M/EEG measurements is an ill-posed inverse problem where principled uncertainty quantification remains challenging. The usual conditional Gaussian posterior covariance does not explicitly distinguish uncertainty along likelihood-visible source directions from uncertainty that is invisible to the measurements. We propose a spectral framework based on the singular value structure of the prior-preconditioned forward operator, which provides an exact, interpretable decomposition of the posterior covariance into data-informed and indeterminacy epistemic components. This formulation identifies uncertainty contributions that are reducible by better measurements from those that are fundamentally irreducible by sensing geometry. We further derive an equivalent subtractive decomposition that expresses the prior covariance as the sum of posterior and data-driven reduction terms, enabling precise accounting of uncertainty reduction through Bayesian learning. Together, these complementary representations offer both theoretical insight and practical tools for interpretable uncertainty quantification in M/EEG source imaging for linear-Gaussian Bayesian inverse solvers where the posterior covariance is available in closed form.

한 줄 요약

M/EEG 신호에서 신경 활동을 추정하는 역 문제에서 불확실성을 해석 가능한 형태로 분해하는 스펙트럼 불확실성 분해 방법을 제안한다.

핵심 기여도

**Spectral posterior decomposition**을 통해 사후 공분산을 데이터에 의존적(visible)과 불가결(nullspace) 불확실성으로 분해.
**Prior-minus-reduction identity**를 도출하여 사전 공분산에서 데이터에 의해 제거된 불확실성을 정량적으로 표현.
**γ-MAP 또는 Champagne**과 같은 희소 베이지안 학습 방법에도 적용 가능.
**SVD 기반 분해**를 통해 각 모드별 불확실성 축소 비율 $ r_i = (1 + s_i^2 / \sigma^2)^{-1} $ 계산.

핵심 아이디어

기존의 사후 공분산은 측정에 영향을 받는 불확실성과 아닌 불확실성을 구분하지 못한다. 본 연구는 사전 정보를 고려한 전방향 연산자 $ \mathbf{L} \bm{\Sigma}_{\text{prior}}^{1/2} $의 **SVD 구조**를 기반으로, 사후 공분산을 해석 가능한 두 성분으로 분해한다. 이는 **visible subspace**와 **nullspace**로 나뉘며, 각각 데이터에 의해 줄일 수 있는 불확실성과 측정 기하학에 의해 불가능한 불확실성을 나타낸다. 특히, **모드별 축소 비율 $ r_i $**를 정의함으로써, 데이터가 사전 불확실성을 얼마나 줄였는지를 정량적으로 평가할 수 있다. 이는 기존의 희소 베이지안 추정에서 발생하는 **overconfidence** 문제를 진단하는 데 유용하다.

기술적 접근법

**선형 가우시안 모델** 기반의 M/EEG 역 문제를 대상으로 함.
사전 공분산 $ \bm{\Sigma}_{\text{prior}} $가 대각행렬일 경우, 전방향 연산자 $ \mathbf{L} \bm{\Sigma}_{\text{prior}}^{1/2} $의 **SVD**를 수행하여 $ \mathbf{V}_{\text{vis}} $, $ \mathbf{V}_{\text{null}} $을 얻는다.
사후 공분산 $ \bm{\Sigma}_{\text{post}} $는 다음과 같이 분해됨:

$$
\bm{\Sigma}_{\text{post}} = \mathbf{V}_{\text{vis}} \mathbf{D}_{\text{vis}} \mathbf{V}_{\text{vis}}^\top + \mathbf{V}_{\text{null}} \mathbf{D}_{\text{null}} \mathbf{V}_{\text{null}}^\top
$$

**Prior-minus-reduction identity**:

$$
\bm{\Sigma}_{\text{post}} = \bm{\Sigma}_{\text{prior}} - \mathbf{R}_{\text{data}}
$$
여기서 $ \mathbf{R}_{\text{data}} $는 데이터에 의해 제거된 불확실성 행렬.

주요 결과

**M/EEG 역 문제**에서 불확실성을 **visible** (가능한)과 **nullspace** (불가능한)로 구분.
**모드별 축소 비율 $ r_i $** 계산: $ r_i = (1 + s_i^2 / \sigma^2)^{-1} $, 여기서 $ s_i $는 SVD의 특이값.
**사전-사후 불확실성 차이 $ \mathbf{R}_{\text{data}} $**를 정확히 계산하여, 데이터가 불확실성을 얼마나 줄였는지를 보여줌.
**희소성 유도 알고리즘 (예: γ-MAP)**에서 사후 분산이 0으로 수렴하는 경우, **overconfidence** 발생 가능.

의의 및 한계

**이론적 통찰**: 베이지안 학습이 불확실성을 줄이는 방향은 측정 가능한(visible) 방향에 국한됨.
**실용적 도구**: 시각화 및 진단 도구로 활용 가능. 예를 들어, **nullspace 불확실성**은 측정 기하학에 의해 불가능한 한계를 반영.
**한계**: 경험적 베이지안 희소성(예: $ \gamma_i \to 0 $)이 사후 분산을 0으로 만들며, 이는 **overconfidence**를 유발할 수 있음.
**미해결 문제**: 불확실성의 과소평가(calibration) 문제는 실험적으로 평가되지 않음.

실용적 활용

**뇌 신호 분석 연구**에서 추정된 소스의 신뢰도를 정량적으로 평가할 수 있음.
**의료 영상 분석**, **신경공학**, **뇌 기계 인터페이스** 분야에서 불확실성 기반 추론에 활용 가능.
**희소 추정 알고리즘 (예: γ-MAP)**의 신뢰도 진단 및 개선에 기여할 수 있음.