論文の概要: Constraining the Reionization History using Bayesian Normalizing Flows
- arxiv url: http://arxiv.org/abs/2005.07694v1
- Date: Thu, 14 May 2020 23:00:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 05:31:56.046821
- Title: Constraining the Reionization History using Bayesian Normalizing Flows
- Title（参考訳）: ベイズ正規化流を用いた再イオン化履歴の制約
- Authors: H\'ector J. Hort\'ua, Luigi Malago, Riccardo Volpi
- Abstract要約: 本稿では,4つの天体物理および宇宙論的パラメータの後方分布を予測するためにベイズニューラルネットワーク(BNN)を用いた。
提案手法は,最先端予測性能の達成に加えて,パラメータの不確かさの正確な推定と,それらの相関関係の推測を行う。
- 参考スコア（独自算出の注目度）: 10.28074017512078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The next generation 21 cm surveys open a new window onto the early stages of
cosmic structure formation and provide new insights about the Epoch of
Reionization (EoR). However, the non-Gaussian nature of the 21 cm signal along
with the huge amount of data generated from these surveys will require more
advanced techniques capable to efficiently extract the necessary information to
constrain the Reionization History of the Universe. In this paper we present
the use of Bayesian Neural Networks (BNNs) to predict the posterior
distribution for four astrophysical and cosmological parameters. Besides
achieving state-of-the-art prediction performances, the proposed methods
provide accurate estimation of parameters uncertainties and infer correlations
among them. Additionally, we demonstrate the advantages of Normalizing Flows
(NF) combined with BNNs, being able to model more complex output distributions
and thus capture key information as non-Gaussianities in the parameter
conditional density distribution for astrophysical and cosmological dataset.
Finally, we propose novel calibration methods employing Normalizing Flows after
training, to produce reliable predictions, and we demonstrate the advantages of
this approach both in terms of computational cost and prediction performances.
- Abstract（参考訳）: 次世代の21cm調査は、宇宙構造形成の初期段階に新しい窓を開き、再イオン化(eor)の時期に関する新たな洞察を提供する。
しかし、21cm信号の非ガウス的な性質と、これらの調査から得られた膨大な量のデータには、宇宙のイオン化史を制約するために必要な情報を効率的に抽出する高度な技術が必要である。
本稿では,4つの天体物理および宇宙論的パラメータの後方分布を予測するためにベイズニューラルネットワーク(BNN)を用いた。
提案手法は,最先端予測性能の他に,パラメータの不確かさの正確な推定や相関の推測を行う。
さらに,BNNと組み合わせた正規化フロー(NF)の利点を実証し,より複雑な出力分布をモデル化し,パラメータ条件密度分布におけるキー情報を非ガウス性として捉えた。
最後に,訓練後の流れを正規化し,信頼性の高い予測を行う新しいキャリブレーション手法を提案し,計算コストと予測性能の両面で,この手法の利点を実証する。
関連論文リスト
- A Generalized Unified Skew-Normal Process with Neural Bayes Inference [1.5388334141379898]
近年、統計学者は非対称性や重尾のような非ガウス的な振る舞いを示す空間データに遭遇している。
ガウスモデルの限界に対処するため、様々な歪んだモデルが提案され、その人気は急速に高まっている。
文学における様々な提案の中で、統一スキュー・ノルマル(SUN)のような統一スキュー分布が注目されている。
論文 参考訳（メタデータ） (2024-11-26T13:00:39Z) - Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes [0.04660328753262073]
高速な共分散パラメータ推定のための補正ベイズ局所補間ネットWorKを提案する。
これらのネットワークの高速な予測時間により、行列の反転ステップをバイパスし、大きな計算スピードアップを発生させることができる。
拡張性のあるGP手法に比べて計算効率が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-11-10T01:26:16Z) - Flow-Based Generative Emulation of Grids of Stellar Evolutionary Models [4.713280433864737]
恒星進化モデルの格子をエミュレートするフローベース生成手法を提案する。
様々な進化軌道やアイソクロンを連続的な入力パラメータにわたってエミュレートする能力を示す。
論文 参考訳（メタデータ） (2024-07-12T16:54:17Z) - von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳（メタデータ） (2023-05-30T19:16:44Z) - Bayesian Renormalization [68.8204255655161]
ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。
ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。
本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
論文 参考訳（メタデータ） (2023-05-17T18:00:28Z) - Probabilistic forecasting for geosteering in fluvial successions using a
generative adversarial network [0.0]
リアルタイムデータに基づく高速更新は、プレドリルモデルで高い不確実性を持つ複雑な貯水池での掘削に不可欠である。
本稿では, フラビアル継承の地質学的に一貫した2次元断面を再現するためのGAN(generative adversarial Deep Neural Network)を提案する。
この手法は不確実性を低減し, 掘削ビットより500m先にある主要な地質特性を正確に予測する。
論文 参考訳（メタデータ） (2022-07-04T12:52:38Z) - The Bayesian Method of Tensor Networks [1.7894377200944511]
ネットワークのベイズ的枠組みを2つの観点から検討する。
本研究では,2次元合成データセットにおけるモデルパラメータと決定境界を可視化することにより,ネットワークのベイズ特性について検討する。
論文 参考訳（メタデータ） (2021-01-01T14:59:15Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。