論文の概要: Baryon acoustic oscillations reconstruction using convolutional neural
networks
- arxiv url: http://arxiv.org/abs/2002.10218v3
- Date: Thu, 3 Dec 2020 08:41:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 04:42:40.387960
- Title: Baryon acoustic oscillations reconstruction using convolutional neural
networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いたバリオン音響振動再構成
- Authors: Tian-Xiang Mao, Jie Wang, Baojiu Li, Yan-Chuan Cai, Bridget Falck,
Mark Neyrinck and Alex Szalay
- Abstract要約: 深部畳み込みニューラルネットワーク(CNN)に基づく重要な宇宙情報を含むバリオン音響発振(BAO)信号の再構成手法を提案する。
一方の宇宙論で訓練されたネットワークは、他の宇宙論とは無関係に非線型性に失われる情報を復元し、BAOピークを再構築することができる。
- 参考スコア（独自算出の注目度）: 1.9262162668141078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new scheme to reconstruct the baryon acoustic oscillations (BAO)
signal, which contains key cosmological information, based on deep
convolutional neural networks (CNN). Trained with almost no fine-tuning, the
network can recover large-scale modes accurately in the test set: the
correlation coefficient between the true and reconstructed initial conditions
reaches $90\%$ at $k\leq 0.2 h\mathrm{Mpc}^{-1}$, which can lead to significant
improvements of the BAO signal-to-noise ratio down to
$k\simeq0.4h\mathrm{Mpc}^{-1}$. Since this new scheme is based on the
configuration-space density field in sub-boxes, it is local and less affected
by survey boundaries than the standard reconstruction method, as our tests
confirm. We find that the network trained in one cosmology is able to
reconstruct BAO peaks in the others, i.e. recovering information lost to
non-linearity independent of cosmology. The accuracy of recovered BAO peak
positions is far less than that caused by the difference in the cosmology
models for training and testing, suggesting that different models can be
distinguished efficiently in our scheme. It is very promising that Our scheme
provides a different new way to extract the cosmological information from the
ongoing and future large galaxy surveys.
- Abstract（参考訳）: 本稿では,深部畳み込みニューラルネットワーク(CNN)に基づく重要な宇宙情報を含むバリオン音響振動(BAO)信号の再構成手法を提案する。
実際の初期条件と再構成された初期条件の相関係数は$k\leq 0.2 h\mathrm{mpc}^{-1}$で$90\%$となり、bao信号対雑音比が$k\simeq0.4h\mathrm{mpc}^{-1}$に大幅に改善される可能性がある。
この新方式はサブボックスの構成空間密度場に基づいており,本実験で確認したように,局所的かつサーベイバウンダリの影響が少ない。
ある宇宙論で訓練されたネットワークは、他の宇宙論とは無関係な非線形性に失われる情報を回復するBAOピークを再構築することができる。
復元されたbaoピーク位置の精度は、トレーニングとテストのための宇宙論モデルの違いによって引き起こされるものよりもはるかに低いため、異なるモデルが効率的に識別できることが示唆された。
我々の計画が、現在および将来の大きな銀河探査から宇宙情報を抽出する別の方法を提供することは、非常に有望である。
関連論文リスト
- Stabilizing RNN Gradients through Pre-training [3.335932527835653]
学習理論は、勾配が深さや時間で指数関数的に成長するのを防ぎ、トレーニングを安定させ改善することを提案する。
我々は、既知の安定性理論を拡張し、データとパラメータの分布について最小限の仮定を必要とするディープ・リカレント・ネットワークの幅広いファミリーを包含する。
本稿では,この問題を緩和するための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-23T11:48:35Z) - Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。
幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
論文 参考訳（メタデータ） (2023-02-01T03:18:07Z) - PUERT: Probabilistic Under-sampling and Explicable Reconstruction
Network for CS-MRI [47.24613772568027]
圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。
本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。
2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
論文 参考訳（メタデータ） (2022-04-24T04:23:57Z) - Direction of Arrival Estimation of Sound Sources Using Icosahedral CNNs [10.089520556398574]
Icosahedral Convolutional Neural Network (CNN) に基づく音源の指向性(DOA)推定の新しいモデルを提案する。
このイコサヘドラルCNNは、球状回転の連続空間のよい近似を示すイコサヘドロンの60回転対称性に同値である。
問題の等式に適合するモデルを使用することで、計算コストの低減とロバスト性の向上により、他の最先端モデルよりも優れることを示す。
論文 参考訳（メタデータ） (2022-03-31T10:52:19Z) - Probabilistic Mass Mapping with Neural Score Estimation [4.079848600120986]
弱レンズ質量マッピング問題の高次元ベイズ後方の効率的なサンプリング法を提案する。
本手法の精度をシミュレーションで実証し,HST/ACS COSMOSフィールドの大量再構成に適用する。
論文 参考訳（メタデータ） (2022-01-14T17:07:48Z) - Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。
OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。
提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文 参考訳（メタデータ） (2021-06-16T15:56:34Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Regularization-Agnostic Compressed Sensing MRI Reconstruction with
Hypernetworks [21.349071909858218]
正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。
実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。
特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
論文 参考訳（メタデータ） (2021-01-06T18:55:37Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳（メタデータ） (2020-10-01T17:51:49Z) - Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。
また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
論文 参考訳（メタデータ） (2020-02-20T15:43:02Z) - FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for
Optical Flow Estimation [72.41370576242116]
フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。
ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。
実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
論文 参考訳（メタデータ） (2020-01-17T07:13:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。