論文の概要: Automating Inference of Binary Microlensing Events with Neural Density Estimation

• arxiv url: http://arxiv.org/abs/2010.04156v2
• Date: Mon, 15 Feb 2021 14:09:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 13:15:15.593982
• Title: Automating Inference of Binary Microlensing Events with Neural Density Estimation
• Title（参考訳）: 神経密度推定による2成分マイクロレンズイベントの自動推定
• Authors: Keming Zhang, Joshua S. Bloom, B. Scott Gaudi, Francois Lanusse, Casey Lam, Jessica Lu
• Abstract要約: ニューラル密度推定(NDE)に基づく自動推論手法を提案する。 シミュレーションされたローマのデータをトレーニングしたNDEは、高速で正確で正確な後部を生成できるだけでなく、予測された後部退化を捉えることも示している。
• 参考スコア（独自算出の注目度）: 0.14680035572775532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated inference of binary microlensing events with traditional sampling-based algorithms such as MCMC has been hampered by the slowness of the physical forward model and the pathological likelihood surface. Current analysis of such events requires both expert knowledge and large-scale grid searches to locate the approximate solution as a prerequisite to MCMC posterior sampling. As the next generation, space-based microlensing survey with the Roman Space Observatory is expected to yield thousands of binary microlensing events, a new scalable and automated approach is desired. Here, we present an automated inference method based on neural density estimation (NDE). We show that the NDE trained on simulated Roman data not only produces fast, accurate, and precise posteriors but also captures expected posterior degeneracies. A hybrid NDE-MCMC framework can further be applied to produce the exact posterior.
• Abstract（参考訳）: MCMCのような従来のサンプリングベースアルゴリズムによるバイナリマイクロレンズイベントの自動推論は、物理フォワードモデルと病理的可能性表面の遅さによって妨げられている。 このような事象の現在の分析では、MCMC後方サンプリングの前提条件として近似解を見つけるためには、専門家の知識と大規模なグリッド探索の両方が必要である。 次世代のローマン宇宙観測所による宇宙ベースのマイクロレンズ調査では、数千のバイナリマイクロレンズイベントが予想されるため、新しいスケーラブルで自動化されたアプローチが望まれる。 本稿では,ニューラル密度推定(NDE)に基づく自動推論手法を提案する。 シミュレーションされたローマのデータをトレーニングしたNDEは、高速で正確で正確な後部を生成できるだけでなく、予測された後部退化を捉えることも示している。 さらに、ハイブリッドNDE-MCMCフレームワークを適用すれば、正確な後部を生成することができる。

関連論文リスト

• 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)
• Sequential Monte Carlo Learning for Time Series Structure Discovery [17.964180907602657]
  逐次モンテカルロとインボリューティブMCMCを統合した構造学習アルゴリズムを提案する。 本手法は, 時系列に新しいデータを組み込んだ「オンライン」設定と, 「オフライン」設定の両方で使用することができる。
  論文  参考訳（メタデータ） (2023-07-13T16:38:01Z)
• Data-driven modelling of brain activity using neural networks, Diffusion Maps, and the Koopman operator [0.0]
  タスク依存型fMRIデータから脳活動の長期外ダイナミクスをモデル化するための機械学習手法を提案する。 我々は拡散写像(DM)を用いて、創発的な高次元fMRI時系列が進化する低次元多様体をパラメータ化する変数の集合を発見する。 組込み多様体上にFNN(Feedforward Neural Networks)とクープマン演算子(Koopman operator)という2つの手法を用いて、低次モデル(ROM)を構築する。
  論文  参考訳（メタデータ） (2023-04-24T09:08:12Z)
• On the optimization and pruning for Bayesian deep learning [1.0152838128195467]
  重み空間上でニューラルネットワークを学習するための適応型変分ベイズアルゴリズムを提案する。 EM-MCMCアルゴリズムにより,ワンショットで最適化とモデルプルーニングを行うことができる。 我々の密度モデルは最先端の性能に到達でき、スパースモデルは以前提案したプルーニング方式と比較して非常によく機能する。
  論文  参考訳（メタデータ） (2022-10-24T05:18:08Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• The emergence of a concept in shallow neural networks [0.0]
  我々は,定型だが不可能なアーチタイプを曖昧にコピーした非構造化データセット上で訓練された制限されたボルツマンマシン(RBM)を考える。」 RBMが古型を学習できる限界標本サイズが存在することを示す。
  論文  参考訳（メタデータ） (2021-09-01T15:56:38Z)
• Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
  臨床MRIデータに対するCSGMフレームワークの初成功例を示す。 我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
  論文  参考訳（メタデータ） (2021-08-03T08:52:06Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Real-Time Likelihood-free Inference of Roman Binary Microlensing Events with Amortized Neural Posterior Estimation [0.29360071145551064]
  ローマ宇宙望遠鏡による次世代の宇宙マイクロレンズ調査では、数千の連星が観測されると予想されている。 そこで我々は,アモルト化神経後部推定法(Amortized Neural Later Estimation)という,可能性のない推論手法を提案する。 291,012シミュレートされたローマ風の2L1Sシミュレーションで訓練され、NDEは以前の支援下での観測のために数秒以内に正確で正確な後部を生成する。
  論文  参考訳（メタデータ） (2021-02-10T19:00:01Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。