論文の概要: A machine learning approach to galaxy properties: joint redshift-stellar
mass probability distributions with Random Forest
- arxiv url: http://arxiv.org/abs/2012.05928v2
- Date: Fri, 19 Feb 2021 10:38:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:04:33.756959
- Title: A machine learning approach to galaxy properties: joint redshift-stellar
mass probability distributions with Random Forest
- Title(参考訳): 銀河特性への機械学習アプローチ--ランダムフォレストを用いた赤方偏移-星間質量確率分布
- Authors: S. Mucesh, W. G. Hartley, A. Palmese, O. Lahav, L. Whiteway, A. F. L.
Bluck, A. Alarcon, A. Amon, K. Bechtol, G. M. Bernstein, A. Carnero Rosell,
M. Carrasco Kind, A. Choi, K. Eckert, S. Everett, D. Gruen, R. A. Gruendl, I.
Harrison, E. M. Huff, N. Kuropatkin, I. Sevilla-Noarbe, E. Sheldon, B. Yanny,
M. Aguena, S. Allam, D. Bacon, E. Bertin, S. Bhargava, D. Brooks, J.
Carretero, F. J. Castander, C. Conselice, M. Costanzi, M. Crocce, L. N. da
Costa, M. E. S. Pereira, J. De Vicente, S. Desai, H. T. Diehl, A.
Drlica-Wagner, A. E. Evrard, I. Ferrero, B. Flaugher, P. Fosalba, J. Frieman,
J. Garc\'ia-Bellido, E. Gaztanaga, D. W. Gerdes, J. Gschwend, G. Gutierrez,
S. R. Hinton, D. L. Hollowood, K. Honscheid, D. J. James, K. Kuehn, M. Lima,
H. Lin, M. A. G. Maia, P. Melchior, F. Menanteau, R. Miquel, R. Morgan, F.
Paz-Chinch\'on, A. A. Plazas, E. Sanchez, V. Scarpine, M. Schubnell, S.
Serrano, M. Smith, E. Suchyta, G. Tarle, D. Thomas, C. To, T. N. Varga, and
R.D. Wilkinson
- Abstract要約: 本稿では、ランダムフォレスト(RF)機械学習アルゴリズムを用いて、高精度な赤方偏移質量確率分布関数(PDF)が得られることを実証する。
我々はdark energy survey (des) とcosmos 2015カタログの赤方偏移と恒星質量の組合せを用いている。
精度に加えて、RFは非常に高速で、消費者コンピュータハードウェアでわずか$ 6$で数百万の銀河の合同PDFを計算することができます。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We demonstrate that highly accurate joint redshift-stellar mass probability
distribution functions (PDFs) can be obtained using the Random Forest (RF)
machine learning (ML) algorithm, even with few photometric bands available. As
an example, we use the Dark Energy Survey (DES), combined with the COSMOS2015
catalogue for redshifts and stellar masses. We build two ML models: one
containing deep photometry in the $griz$ bands, and the second reflecting the
photometric scatter present in the main DES survey, with carefully constructed
representative training data in each case. We validate our joint PDFs for
$10,699$ test galaxies by utilizing the copula probability integral transform
and the Kendall distribution function, and their univariate counterparts to
validate the marginals. Benchmarked against a basic set-up of the
template-fitting code BAGPIPES, our ML-based method outperforms template
fitting on all of our predefined performance metrics. In addition to accuracy,
the RF is extremely fast, able to compute joint PDFs for a million galaxies in
just under $6$ min with consumer computer hardware. Such speed enables PDFs to
be derived in real time within analysis codes, solving potential storage
issues. As part of this work we have developed GALPRO, a highly intuitive and
efficient Python package to rapidly generate multivariate PDFs on-the-fly.
GALPRO is documented and available for researchers to use in their cosmology
and galaxy evolution studies.
- Abstract(参考訳): 我々は,測光帯域が少ない場合でも,ランダムフォレスト(RF)機械学習(ML)アルゴリズムを用いて高精度な連星質量分布関数(PDF)が得られることを示した。
例えば、ダークエネルギーサーベイ(DES)は、赤方偏移と星団のためのCOSMOS2015カタログと組み合わせています。
2つのmlモデルを構築した。1つは$griz$バンドに深い光度計を、もう1つはメインdesサーベイに存在している光度散乱を反射し、それぞれのケースに注意深く構築されたトレーニングデータである。
我々は,コプラ確率積分変換とケンドール分布関数を用いて,10,699ドルのテスト銀河に対して共同PDFを検証し,その辺縁を検証した。
テンプレート適合コードBAGPIPESの基本的なセットアップと比較すると、MLベースのメソッドは、事前に定義されたすべてのパフォーマンス指標に対してテンプレート適合性よりも優れています。
精度に加えて、RFは非常に高速で、100万個の銀河の合同PDFをコンシューマー・コンピュータ・ハードウェアで6ドル以下で計算できる。
このような速度により、PDFは分析コード内でリアルタイムで導き出され、潜在的なストレージ問題を解決することができる。
この作業の一環として,多変量PDFをその場で高速に生成する,非常に直感的で効率的なPythonパッケージであるGALPROを開発した。
galproは、宇宙論や銀河進化の研究で研究者が利用できる文書である。
関連論文リスト
- Multimodal Learned Sparse Retrieval with Probabilistic Expansion Control [66.78146440275093]
学習検索(LSR)は、クエリとドキュメントを疎語彙ベクトルにエンコードするニューラルネットワークのファミリーである。
テキスト画像検索に焦点をあて,マルチモーダル領域へのLSRの適用について検討する。
LexLIPやSTAIRのような現在のアプローチでは、大規模なデータセットで複雑なマルチステップのトレーニングが必要です。
提案手法は, 密度ベクトルを凍結密度モデルからスパース語彙ベクトルへ効率的に変換する。
論文 参考訳(メタデータ) (2024-02-27T14:21:56Z) - ProbVLM: Probabilistic Adapter for Frozen Vision-Language Models [69.50316788263433]
本稿では,事前学習された視覚言語モデルの埋め込みに対する確率分布を推定する確率的アダプタProbVLMを提案する。
本稿では,検索タスクにおける不確実性埋め込みのキャリブレーションを定量化し,ProbVLMが他の手法よりも優れていることを示す。
本稿では,大規模な事前学習型潜伏拡散モデルを用いて,埋め込み分布を可視化する新しい手法を提案する。
論文 参考訳(メタデータ) (2023-07-01T18:16:06Z) - ArchGym: An Open-Source Gymnasium for Machine Learning Assisted
Architecture Design [52.57999109204569]
ArchGymは、さまざまな検索アルゴリズムをアーキテクチャシミュレータに接続するオープンソースのフレームワークである。
我々は、カスタムメモリコントローラ、ディープニューラルネットワークアクセラレータ、AR/VRワークロード用のカスタムSOCを設計する際に、複数のバニラおよびドメイン固有の検索アルゴリズムにわたってArchGymを評価する。
論文 参考訳(メタデータ) (2023-06-15T06:41:23Z) - AQuaMaM: An Autoregressive, Quaternion Manifold Model for Rapidly
Estimating Complex SO(3) Distributions [0.6526824510982799]
AQuaMaMは、回転多様体上の複素分布を学習し、単一の前方通過におけるクエリローテーションの正確な確率を計算することができるニューラルネットワークである。
異なる回転で50,000のダイのデータセットでトレーニングされた場合、AQuaMaMはICPよりも14%高いテストログに到達する。
IPDFと比較すると、AQuaMaMはパラメータを24%少なくし、単一のGPUで52$times$高速な予測スループットを持ち、トレーニング中に同様の時間で収束する。
論文 参考訳(メタデータ) (2023-01-21T00:40:21Z) - Generalized Differentiable RANSAC [95.95627475224231]
$nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。
$nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
論文 参考訳(メタデータ) (2022-12-26T15:13:13Z) - Stochastic Gradient Descent without Full Data Shuffle [65.97105896033815]
CorgiPileは階層的なデータシャッフル戦略で、完全なデータシャッフルを回避すると同時に、完全なシャッフルを実行したかのようにSGDの収束率を同等に維持する。
以上の結果から,CorgiPileは深層学習モデルと一般化線形モデルの両方において,全シャッフルベースSGDと同等の収束率を達成できることが示唆された。
論文 参考訳(メタデータ) (2022-06-12T20:04:31Z) - Re-calibrating Photometric Redshift Probability Distributions Using
Feature-space Regression [3.7619739063778854]
光度赤方偏移の不確かさの不正確な推定は、大きな系統的誤りをもたらす。
特徴空間内の任意の位置における局所的なPIT分布を特徴付けるレグレッション手法を最近開発した。
本手法では, 任意のユースケースに対して, 特徴空間内のすべての箇所で校正可能な校正PDFを作成できる。
論文 参考訳(メタデータ) (2021-10-28T15:27:51Z) - PDFFlow: hardware accelerating parton density access [0.0]
パートン分布関数を高速に評価する新しいソフトウェアであるPDFFlow(PDFs)を提案する。
PDFFlowはハードウェアアクセラレータを持つプラットフォーム向けに設計されている。
我々は,このライブラリの性能を粒子物理学コミュニティの複数のシナリオで評価する。
論文 参考訳(メタデータ) (2020-12-15T11:22:12Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳(メタデータ) (2020-09-07T13:01:45Z) - Operator Sampling for Shot-frugal Optimization in Variational Algorithms [0.860968116787044]
本稿では,H = sum_i c_i h_i$ からランダムサンプリング演算子 $h_i$ を用いて測定回数(ショット)を減らす方法を提案する。
我々は、量子ハードウェアノイズを伴わずに、分子H$、LiH、BeH$の基底状態を見つけるために、これや他のサンプリングを実装し、ほとんどの場合、ロザリンは他のサンプリングよりも優れている。
論文 参考訳(メタデータ) (2020-04-14T01:00:07Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳(メタデータ) (2020-02-18T15:44:04Z)
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。