脳波・脳磁図（M/EEG）の計測から分布状の神経源を推定することは、典型的な不良設定逆問題である。困難は求解そのものだけでなく、結果に対して原理に基づいた不確実性定量化を行えるかという点にもある。通常の条件付きガウス事後共分散は数学的には完全であるものの、尤度が「見る」ことのできる音源方向に沿った不確実性と、計測の可視範囲の外に完全に隠れた不確実性とを明確に区別できない。
Ismail Huseynovらによる新しいプレプリント論文「Spectral Uncertainty Decomposition for Sparse Bayesian Learning」は、この欠落に対処する手法を提示する。著者らはスペクトル枠組みを構築し、その中心に事前条件付けされた前向き作用素の特異値構造を据える。この枠組みの下で、事後共分散はデータ情報成分と不確定性認識成分という二つの解釈可能な要素へと正確に分解される。
この分解の意義は、各不確実性の由来を明示できる点にある。一部の不確実性はセンサ数の増加や信号対雑音比の改善など、測定手段の向上によって低減できる。一方で別の不確実性はセンシング幾何そのものの制約に由来し、どれほど精密に測定しても取り除けない。この「低減可能」と「不可約」の区別は、実験設計への投資が妥当かどうかを評価する上で直接的な実用的価値を持つ。
論文はさらに、等価な減算的分解も導出する。事前共分散を事後項とデータ駆動の低減項との和として表すことで、ベイズ学習が実際にどれだけの不確実性を削減したかを正確に会計処理できる。加法と減法という二つの相補的な表現が、同一の不確実性構造の異なる側面をともに描き出す。
著者らは、この枠組みが理論的洞察と実用ツールの双方を提供すると述べている。主な対象は、事後共分散を閉形式で得られる線形ガウスベイズ逆問題ソルバーであり、特にM/EEG音源イメージングにおける解釈可能な不確実性定量化に適する。論文は2026年10月21日に投稿され、機械学習（cs.LG）に分類されるとともに、計算工学・金融・科学（cs.CE）にも交叉掲載されている。