論文の概要: deep21: a Deep Learning Method for 21cm Foreground Removal

• arxiv url: http://arxiv.org/abs/2010.15843v2
• Date: Tue, 1 Jun 2021 20:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 23:46:45.865282
• Title: deep21: a Deep Learning Method for 21cm Foreground Removal
• Title（参考訳）: deep21:21cm前景除去のための深層学習法
• Authors: T. Lucas Makinen, Lachlan Lancaster, Francisco Villaescusa-Navarro, Peter Melchior, Shirley Ho, Laurence Perreault-Levasseur, and David N. Spergel
• Abstract要約: 我々は、シミュレーション観測に基づいて、UNetアーキテクチャと3次元畳み込みによる深層畳み込みニューラルネットワーク(CNN)を訓練する。 クリーニングマップは、すべての関連する角スケールと周波数で10%以内の宇宙的クラスタリング統計を回復する。 提案手法は, 今後の無線実験において, 21cmの強度マップを解析可能であることを示すものである。
• 参考スコア（独自算出の注目度）: 1.5914835340090137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We seek to remove foreground contaminants from 21cm intensity mapping observations. We demonstrate that a deep convolutional neural network (CNN) with a UNet architecture and three-dimensional convolutions, trained on simulated observations, can effectively separate frequency and spatial patterns of the cosmic neutral hydrogen (HI) signal from foregrounds in the presence of noise. Cleaned maps recover cosmological clustering statistics within 10% at all relevant angular scales and frequencies. This amounts to a reduction in prediction variance of over an order of magnitude on small angular scales ($\ell > 300$), and improved accuracy for small radial scales ($k_{\parallel} > 0.17\ \rm h\ Mpc^{-1})$ compared to standard Principal Component Analysis (PCA) methods. We estimate posterior confidence intervals for the network's prediction by training an ensemble of UNets. Our approach demonstrates the feasibility of analyzing 21cm intensity maps, as opposed to derived summary statistics, for upcoming radio experiments, as long as the simulated foreground model is sufficiently realistic. We provide the code used for this analysis on Github https://github.com/tlmakinen/deep21 as well as a browser-based tutorial for the experiment and UNet model via the accompanying http://bit.ly/deep21-colab Colab notebook.
• Abstract（参考訳）: 21cmの強度マッピング観測から前景汚染物質を除去する。 unetアーキテクチャと3次元畳み込みを持つ深層畳み込みニューラルネットワーク(cnn)は、シミュレーション観測に基づいて訓練され、ノイズ発生時に前景から宇宙中性水素(hi)信号の周波数と空間パターンを効果的に分離できることを実証する。 クリーニングマップは、すべての関連する角スケールと周波数で10%以内の宇宙的クラスタリング統計を回復する。 これは、小さな角スケールでの桁違いの予測ばらつきを減少させる("\ell > 300$")ことと、標準主成分分析(PCA)法と比較して小さな半径スケールでの精度の改善("k_{\parallel} > 0.17\ \rm h\ Mpc^{-1}")である。 ネットワークの予測に対する後続信頼区間をUNETのアンサンブルを訓練することにより推定する。 提案手法は,シミュレーション前景モデルが十分現実的である限り,今後の無線実験のために導出された要約統計とは対照的に,21cmの強度マップを解析できることを実証する。 我々は、Github https://github.com/tlmakinen/deep21でこの分析に使用されるコードと、 http://bit.ly/deep21-colab Colabノートブックを通じて、実験とUNetモデルのブラウザベースのチュートリアルを提供する。

関連論文リスト

• Bayesian Inference with Deep Weakly Nonlinear Networks [57.95116787699412]
  我々は,完全連結ニューラルネットワークによるベイズ推定が解けることを示す物理レベルの厳密さを示す。 我々はモデルエビデンスを計算し、任意の温度で1/N$で任意の順序に後続する手法を提供する。
  論文  参考訳（メタデータ） (2024-05-26T17:08:04Z)
• Local primordial non-Gaussianity from the large-scale clustering of photometric DESI luminous red galaxies [5.534428269834764]
  我々は、Dark Energy Spectroscopic Instruments(DESI)による局所原始非ガウス性パラメータ$fnl$を制約するために、光赤銀河の角度クラスタリングを用いる。 このサンプルは1200万以上の目標からなり、空の14,000平方度をカバーし、赤方偏移は0.2 z 1.35$である。 我々は, 銀河の絶滅, 調査深度, 天体観測を系統的誤りの主な原因とみなし, 大規模での非宇宙的余剰クラスタリングを緩和するために線形回帰と人工ニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2023-07-04T14:49:23Z)
• Monocular Visual-Inertial Depth Estimation [66.71452943981558]
  単眼深度推定と視覚慣性計測を統合した視覚慣性深度推定パイプラインを提案する。 提案手法は, 疎度度に対する大域的スケールとシフトアライメントを行い, 続いて学習に基づく高密度アライメントを行う。 本研究では,TartanAir と VOID のデータセットを用いて,密集したスケールアライメントによるRMSE の最大30%の削減を観測した。
  論文  参考訳（メタデータ） (2023-03-21T18:47:34Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Why Out-of-distribution Detection in CNNs Does Not Like Mahalanobis -- and What to Use Instead [0.0]
  高次元データにおける多くのOoD研究において、LOF法(Local Outlierness-Factor)法はパラメトリックなマハラノビス距離法よりも優れていた。 これにより、CNNの信頼性スコアを生成する非パラメトリックなLOFベースの手法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T21:41:37Z)
• Robust marginalization of baryonic effects for cosmological inference at the field level [12.768056235837427]
  ニューラルネットワークをトレーニングして、全質量表面密度を含む$(25,h-1rm Mpc)2$2Dマップから確率のない推論を行う。 ネットワークは、すべての解決されたスケールから一点関数やパワースペクトルを超えて情報を抽出できることを示す。
  論文  参考訳（メタデータ） (2021-09-21T18:00:01Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Adaptive Context-Aware Multi-Modal Network for Depth Completion [107.15344488719322]
  我々は,観測された空間コンテキストを捉えるために,グラフ伝搬を採用することを提案する。 次に、注意機構を伝搬に適用し、ネットワークが文脈情報を適応的にモデル化することを奨励する。 最後に、抽出したマルチモーダル特徴を効果的に活用するための対称ゲート融合戦略を導入する。 本稿では,Adaptive Context-Aware Multi-Modal Network (ACMNet) を2つのベンチマークで評価した。
  論文  参考訳（メタデータ） (2020-08-25T06:00:06Z)
• Machine learning for complete intersection Calabi-Yau manifolds: a methodological study [0.0]
  我々は機械学習(ML)を用いてホッジ数$h1,1$と$h2,1$の完全なカラビ・ヤウ交差点を予測する問題を再考する。 我々は、古いデータセットのインセプションモデルにインスパイアされたニューラルネットワークを使用して、トレーニング用のデータの30% (resp. 70%) のみを使用して、97% (resp. 99%) の精度で$h1,1$を得る。 新しい例では、単純な線形回帰は、トレーニング用のデータの30%でほぼ100%の正確性をもたらす。
  論文  参考訳（メタデータ） (2020-07-30T19:43:49Z)
• Towards Deep Learning Models Resistant to Large Perturbations [0.0]
  敵対的堅牢性は、機械学習アルゴリズムの必須特性であることが証明されている。 とよばれるアルゴリズムは、大きくても合理的で摂動のマグニチュードが与えられたディープニューラルネットワークのトレーニングに失敗することを示した。
  論文  参考訳（メタデータ） (2020-03-30T12:03:09Z)

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。