We propose an outlier-resilient Gaussian process regression (GPR) model supported by support vector machine regression (SVMR) for kinetic profile inference. GPR, being a non-parametric regression using Bayesian statistics, has advantages in that it imposes no constraints on profile shapes and can be readily used to integrate different kinds of diagnostics, while it is vulnerable to the presence of even a single outlier among a measured dataset. As an outlier classifier, an optimized SVMR is developed based only on the measurements. Hyper-parameters of the developed GPR model with informative prior distributions are treated in two different ways, i.e. maximum a posteriori (MAP) estimator and marginalization using a Markov Chain Monte Carlo sampler. Our SVMR-supported GPR model is applied to infer ion temperature Ti profiles using measured data from the KSTAR charge exchange spectroscopy system. The GPR-inferred Ti profiles with and without an outlier are compared and show prominent improvement when the outlier is removed by the SVMR. Ti profiles inferred with the MAP estimator and the marginalization scheme are compared. They are noticeably different when observation uncertainties are not small enough, and the marginalization scheme generally provides a smoother profile.
我々は、運動論的プロファイル推定のための、サポートベクターマシン回帰（SVMR）によって支援された外れ値に頑健なガウス過程回帰（GPR）モデルを提案する。GPRは、ベイズ統計を用いたノンパラメトリック回帰であり、プロファイル形状に制約を課さず、異なる種類の診断を容易に統合できるという利点があるが、測定データセット中に単一の外れ値が存在するだけでも脆弱である。外れ値分類器として、測定値のみに基づいて最適化されたSVMRを開発する。情報的事前分布を持つ開発されたGPRモデルのハイパーパラメータは、最大事後確率（MAP）推定器と、マルコフ連鎖モンテカルロサンプラーを用いた周辺化という2つの異なる方法で扱われる。我々のSVMR支援GPRモデルを、KSTAR荷電交換分光システムからの測定データを用いてイオン温度Tiプロファイルを推定するために適用する。外れ値がある場合とない場合のGPR推定Tiプロファイルを比較し、SVMRによって外れ値が除去されると顕著な改善が見られることを示す。MAP推定器と周辺化スキームで推定されたTiプロファイルを比較する。それらは、観測不確かさが十分に小さくない場合に顕著に異なり、周辺化スキームは一般により滑らかなプロファイルを与える。