論文の概要: Dim but not entirely dark: Extracting the Galactic Center Excess' source-count distribution with neural nets

• arxiv url: http://arxiv.org/abs/2107.09070v1
• Date: Mon, 19 Jul 2021 18:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 14:42:31.302796
• Title: Dim but not entirely dark: Extracting the Galactic Center Excess' source-count distribution with neural nets
• Title（参考訳）: 暗くも暗くはない:ニューラルネットを用いた銀河センターの震源数分布の抽出
• Authors: Florian List, Nicholas L. Rodd, Geraint F. Lewis
• Abstract要約: 我々はPSとポアソンの放出を統一的に記述する概念的に新しいアプローチを提案する。 また,Ssim4×10-11テキストカウントテキストcm-2テキストs-1$でピークとなる中央値のソース数分布によって記述されたかすかなGCEが発見された。
• 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: The two leading hypotheses for the Galactic Center Excess (GCE) in the $\textit{Fermi}$ data are an unresolved population of faint millisecond pulsars (MSPs) and dark-matter (DM) annihilation. The dichotomy between these explanations is typically reflected by modeling them as two separate emission components. However, point-sources (PSs) such as MSPs become statistically degenerate with smooth Poisson emission in the ultra-faint limit (formally where each source is expected to contribute much less than one photon on average), leading to an ambiguity that can render questions such as whether the emission is PS-like or Poissonian in nature ill-defined. We present a conceptually new approach that describes the PS and Poisson emission in a unified manner and only afterwards derives constraints on the Poissonian component from the so obtained results. For the implementation of this approach, we leverage deep learning techniques, centered around a neural network-based method for histogram regression that expresses uncertainties in terms of quantiles. We demonstrate that our method is robust against a number of systematics that have plagued previous approaches, in particular DM / PS misattribution. In the $\textit{Fermi}$ data, we find a faint GCE described by a median source-count distribution (SCD) peaked at a flux of $\sim4 \times 10^{-11} \ \text{counts} \ \text{cm}^{-2} \ \text{s}^{-1}$ (corresponding to $\sim3 - 4$ expected counts per PS), which would require $N \sim \mathcal{O}(10^4)$ sources to explain the entire excess (median value $N = \text{29,300}$ across the sky). Although faint, this SCD allows us to derive the constraint $\eta_P \leq 66\%$ for the Poissonian fraction of the GCE flux $\eta_P$ at 95% confidence, suggesting that a substantial amount of the GCE flux is due to PSs.
• Abstract（参考訳）: GCE(Galactic Center Excess)の2つの主要な仮説は、$\textit{Fermi}$ data(英語版)において、暗ミリ秒パルサー(MSP)と暗物質消滅(DM)の未解決の集団である。 これらの説明の間の二分法は通常、それらを2つの別々の放出成分としてモデル化することによって反映される。 しかし、MSPのような点源(PSs)は、極薄の極限においてスムーズなポアソン放射によって統計的に退化し(一般に、各光源は平均で1光子よりもはるかに少ないコントリビューションを期待される)、自然界においてその放出がPS様かポアソン的かといった問題を引き起こす曖昧さをもたらす。 本稿では,ps と poisson の放射を統一的に記述し,得られた結果から poisson 成分の制約を導出する概念的な新しいアプローチを提案する。 このアプローチの実装には,ニューラルネットワークに基づくヒストグラム回帰法を中心に,量子論の観点から不確実性を表現したディープラーニング技術を活用する。 本手法は,従来の手法,特にdm/psの誤帰属に苦しむ多くの体系に対して頑健であることを示す。 in the $\textit{Fermi}$ data, we find a faint GCE described by a central source-count distribution (SCD) peaked at a flux of $\sim4 \times 10^{-11} \ \text{counts} \ \text{cm}^{-2} \ \text{s}^{-1}$ (=\sim3 - 4$ expected counts per PS) which would would would $N \sim \mathcal{O}(10^4)$ sources to explain the excess (median value $N = \text{29,300}$ across the sky)。 しかし、このSCDはGCEフラックスのポアソン分数に対する制約$\eta_P \leq 66\%$を95%の信頼度で導出することができ、GCEフラックスのかなりの量はPSによるものであることを示唆している。

関連論文リスト

• Dimension-free Private Mean Estimation for Anisotropic Distributions [55.86374912608193]
  以前の$mathRd上の分布に関する民間推定者は、次元性の呪いに苦しむ。 本稿では,サンプルの複雑さが次元依存性を改善したアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-01T17:59:53Z)
• Minimax Optimality of Score-based Diffusion Models: Beyond the Density Lower Bound Assumptions [11.222970035173372]
  カーネルベースのスコア推定器は$widetildeOleft(n-1 t-fracd+22(tfracd2 vee 1)rightの最適平均二乗誤差を達成する 核を用いたスコア推定器は,拡散モデルで生成した試料の分布の総変動誤差に対して,極小ガウスの下での最大平均2乗誤差を$widetildeOleft(n-1/2 t-fracd4right)$上界で達成することを示す。
  論文  参考訳（メタデータ） (2024-02-23T20:51:31Z)
• Effective Minkowski Dimension of Deep Nonparametric Regression: Function Approximation and Statistical Theories [70.90012822736988]
  ディープ非パラメトリック回帰に関する既存の理論は、入力データが低次元多様体上にある場合、ディープニューラルネットワークは本質的なデータ構造に適応できることを示した。 本稿では,$mathcalS$で表される$mathbbRd$のサブセットに入力データが集中するという緩和された仮定を導入する。
  論文  参考訳（メタデータ） (2023-06-26T17:13:31Z)
• Robust Sparse Mean Estimation via Incremental Learning [15.536082641659423]
  そこで本研究では, 部分的に破損したサンプルの集合から, k$-sparse平均を推定することを目的とする, 頑健な平均推定問題について検討する。 両課題を適度な条件下で克服する簡易平均推定器を提案する。 私たちのメソッドは、スパーシティレベル$k$に関する事前の知識を必要としない。
  論文  参考訳（メタデータ） (2023-05-24T16:02:28Z)
• Near Sample-Optimal Reduction-based Policy Learning for Average Reward MDP [58.13930707612128]
  この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。 我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
  論文  参考訳（メタデータ） (2022-12-01T15:57:58Z)
• Causal Bandits for Linear Structural Equation Models [58.2875460517691]
  本稿では,因果図形モデルにおける最適な介入順序を設計する問題について検討する。 グラフの構造は知られており、ノードは$N$である。 頻繁性(UCBベース)とベイズ的設定に2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-26T16:21:31Z)
• Overparametrized linear dimensionality reductions: From projection pursuit to two-layer neural networks [10.368585938419619]
  $mathbbRd$に$n$のデータポイントのクラウドが与えられると、$mathbbRd$の$m$次元部分空間へのすべての射影を考える。 この確率分布の集まりは、$n,d$が大きくなるとどのように見えるか? この極限の低次元射影として生じる $mathbbRm$ の確率分布の集合の α$ を $mathscrF_m で表すと、$mathscrF_ に新たな内界と外界を確立する。
  論文  参考訳（メタデータ） (2022-06-14T00:07:33Z)
• Settling the Sample Complexity of Model-Based Offline Reinforcement Learning [50.5790774201146]
  オフライン強化学習(RL)は、事前収集されたデータを用いて、さらなる探索を行わずに学習する。 事前のアルゴリズムや分析は、最適なサンプルの複雑さに悩まされるか、サンプルの最適性に到達するために高いバーンインコストがかかるかのいずれかである。 モデルベース(あるいは"プラグイン")アプローチは,バーンインコストを伴わずに,最小限のサンプル複雑性を実現することを実証する。
  論文  参考訳（メタデータ） (2022-04-11T17:26:19Z)
• The GCE in a New Light: Disentangling the $\gamma$-ray Sky with Bayesian Graph Convolutional Neural Networks [5.735035463793008]
  GCE(Galactic Center Excess)に関する根本的な疑問は、基礎となる構造が点状か滑らかかである。 本研究ではベイジアングラフ畳み込みニューラルネットワークを用いてこの問題を考察する。 背景テンプレートからのフラックス分画のNN推定値がNPTFと一致していることが判明した。 NNは1$sigma$検出しきい値付近でピークとなる点ソースのフラックスを過小評価する傾向があるため、GCEに対して決定的な解決を主張することはない。
  論文  参考訳（メタデータ） (2020-06-22T18:00:00Z)
• Kernel-Based Reinforcement Learning: A Finite-Time Analysis [53.47210316424326]
  モデルに基づく楽観的アルゴリズムであるKernel-UCBVIを導入する。 スパース報酬を伴う連続MDPにおける我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2020-04-12T12:23:46Z)

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。