論文の概要: Real-Time Likelihood-free Inference of Roman Binary Microlensing Events with Amortized Neural Posterior Estimation

• arxiv url: http://arxiv.org/abs/2102.05673v1
• Date: Wed, 10 Feb 2021 19:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 14:02:32.415808
• Title: Real-Time Likelihood-free Inference of Roman Binary Microlensing Events with Amortized Neural Posterior Estimation
• Title（参考訳）: Amortized Neural Posterior Estimation を用いたローマ二元マイクロレンズのリアルタイム推定
• Authors: Keming Zhang, Joshua S. Bloom, B. Scott Gaudi, Francois Lanusse, Casey Lam, Jessica Lu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.29360071145551064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fast and automated inference of binary-lens, single-source (2L1S) microlensing events with sampling-based Bayesian algorithms (e.g., Markov Chain Monte Carlo; MCMC) is challenged on two fronts: high computational cost of likelihood evaluations with microlensing simulation codes, and a pathological parameter space where the negative-log-likelihood surface can contain a multitude of local minima that are narrow and deep. Analysis of 2L1S events usually involves grid searches over some parameters to locate approximate solutions as a prerequisite to posterior sampling, an expensive process that often requires human-in-the-loop and domain expertise. As the next-generation, space-based microlensing survey with the Roman Space Telescope is expected to yield thousands of binary microlensing events, a new fast and automated method is desirable. Here, we present a likelihood-free inference (LFI) approach named amortized neural posterior estimation, where a neural density estimator (NDE) learns a surrogate posterior $\hat{p}(\theta|x)$ as an observation-parametrized conditional probability distribution, from pre-computed simulations over the full prior space. Trained on 291,012 simulated Roman-like 2L1S simulations, the NDE produces accurate and precise posteriors within seconds for any observation within the prior support without requiring a domain expert in the loop, thus allowing for real-time and automated inference. We show that the NDE also captures expected posterior degeneracies. The NDE posterior could then be refined into the exact posterior with a downstream MCMC sampler with minimal burn-in steps.
• Abstract（参考訳）: サンプリングに基づくベイズアルゴリズム(例えば、マルコフ連鎖モンテカルロ;mcmc)を用いた単一ソース(2l1s)マイクロレンズの高速かつ自動化された推論は、マイクロレンズシミュレーションコードによる精度評価の計算コストの高さと、負のlogに似た表面が狭く深い多数の局所的ミニマを含む病的パラメータ空間という2つの面において挑戦されている。 2L1Sイベントの分析は通常、後続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いくつかのパラメータをグリッドで探索する。 次世代の宇宙ベースのマイクロレンズサーベイであるRoman Space Telescopeは、数千のバイナリマイクロレンズイベントを生み出すことが予想されているため、新しい高速で自動化された方法が望ましい。 そこで本研究では,神経密度推定器(neural density estimator, nde)が全前空間での事前計算シミュレーションから,観測パラメータ付き条件付き確率分布として,suprogate posterior $\hat{p}(\theta|x)$を学習する,amortized neural posterior estimation(lfi)法を提案する。 291,012シミュレートされたローマライクな2l1sシミュレーションに基づいて訓練されたndeは、ループ内のドメインエキスパートを必要とせずに、事前サポート内の観察のために、秒以内に正確で正確な後方結果を生成する。 我々は、NDEが予期される後変性も捕捉していることを示した。 NDE後部は、最小限の燃焼工程を有する下流MCMCサンプリング装置で、正確な後部へと精製することができる。

関連論文リスト

• Compositional simulation-based inference for time series [21.9975782468709]
  シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。 本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。 次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
  論文  参考訳（メタデータ） (2024-11-05T01:55:07Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Spatio-temporal DeepKriging for Interpolation and Probabilistic Forecasting [2.494500339152185]
  本稿では、時間・時間・予測のためのディープニューラルネットワーク(DNN)に基づく2段階モデルを提案する。 我々は、確率予測を提供するために、量子ベースの損失関数をプロセスに導入する。 複雑な時間過程の大規模予測に適している。
  論文  参考訳（メタデータ） (2023-06-20T11:51:44Z)
• Optimal Horizon-Free Reward-Free Exploration for Linear Mixture MDPs [60.40452803295326]
  線形マルコフ決定過程(MDP)を学習するための新たな報酬なしアルゴリズムを提案する。 我々のアルゴリズムの核心は、探索駆動の擬似回帰を用いた不確実性重み付き値目標回帰である。 我々のアルゴリズムは$tilde O(d2varepsilon-2)$ episodesを探索するだけで、$varepsilon$-optimal policyを見つけることができる。
  論文  参考訳（メタデータ） (2023-03-17T17:53:28Z)
• Fast and Credible Likelihood-Free Cosmology with Truncated Marginal Neural Ratio Estimation [0.0]
  Truncated Marginal Neural Ratio Estimation (TMNRE)は、いわゆるシミュレーションベース推論における新しいアプローチである。 TMNREは従来のマルコフチェインモンテカルロよりもはるかに少ないシミュレータコールで収束後処理を実現できることを示す。 TMNREは、特に拡張宇宙論の文脈において、宇宙データ分析の強力なツールになることを約束する。
  論文  参考訳（メタデータ） (2021-11-15T19:00:09Z)
• 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)
• Towards Sample-Optimal Compressive Phase Retrieval with Sparse and Generative Priors [59.33977545294148]
  O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。 この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
  論文  参考訳（メタデータ） (2021-06-29T12:49:54Z)
• Automating Inference of Binary Microlensing Events with Neural Density Estimation [0.14680035572775532]
  ニューラル密度推定(NDE)に基づく自動推論手法を提案する。 シミュレーションされたローマのデータをトレーニングしたNDEは、高速で正確で正確な後部を生成できるだけでなく、予測された後部退化を捉えることも示している。
  論文  参考訳（メタデータ） (2020-10-08T17:58:06Z)
• MLE-guided parameter search for task loss minimization in neural sequence modeling [83.83249536279239]
  ニューラル自己回帰シーケンスモデルは、さまざまな自然言語処理(NLP)タスクのシーケンスを生成するために使用される。 本稿では,現在のパラメータとその周辺における乱探索の混合である更新方向の分布から,最大至適勾配の分布をサンプリングする,最大至適誘導パラメータ探索(MGS)を提案する。 以上の結果から,MGS は,機械翻訳における最小リスクトレーニングに比べて,繰り返しや非終端の大幅な削減を図り,シーケンスレベルの損失を最適化できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-04T22:21:22Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。