論文の概要: Re-calibrating Photometric Redshift Probability Distributions Using Feature-space Regression

• arxiv url: http://arxiv.org/abs/2110.15209v2
• Date: Thu, 27 Jan 2022 21:17:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 00:57:26.875653
• Title: Re-calibrating Photometric Redshift Probability Distributions Using Feature-space Regression
• Title（参考訳）: 特徴空間回帰を用いた光赤方偏移確率分布の再校正
• Authors: Biprateep Dey, Jeffrey A. Newman, Brett H. Andrews, Rafael Izbicki, Ann B. Lee, David Zhao, Markus Michael Rau, Alex I. Malz
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.7619739063778854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many astrophysical analyses depend on estimates of redshifts (a proxy for distance) determined from photometric (i.e., imaging) data alone. Inaccurate estimates of photometric redshift uncertainties can result in large systematic errors. However, probability distribution outputs from many photometric redshift methods do not follow the frequentist definition of a Probability Density Function (PDF) for redshift -- i.e., the fraction of times the true redshift falls between two limits $z_{1}$ and $z_{2}$ should be equal to the integral of the PDF between these limits. Previous works have used the global distribution of Probability Integral Transform (PIT) values to re-calibrate PDFs, but offsetting inaccuracies in different regions of feature space can conspire to limit the efficacy of the method. We leverage a recently developed regression technique that characterizes the local PIT distribution at any location in feature space to perform a local re-calibration of photometric redshift PDFs. Though we focus on an example from astrophysics, our method can produce PDFs which are calibrated at all locations in feature space for any use case.
• Abstract（参考訳）: 多くの天体物理学的な分析は、測光データのみから決定される赤方偏移(距離のプロキシ)の推定に依存する。 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。 しかし、多くの測光赤方偏移法から出力される確率分布は、赤方偏移に対する確率密度関数(PDF)の頻繁な定義に従わない。 これまで、PDFの再校正にはProbability Integral Transform (PIT) のグローバルな分布が用いられてきたが、特徴空間の異なる領域におけるオフセット不正確な不正確さは、この方法の有効性を抑えるのに役立つ。 我々は最近開発された回帰手法を利用して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、光度赤方偏移PDFの局所的な校正を行う。 天体物理学の例に焦点をあてるが,本手法はあらゆるユースケースにおいて,特徴空間のあらゆる箇所で校正されたPDFを生成することができる。

関連論文リスト

• CLAP. I. Resolving miscalibration for deep learning-based galaxy photometric redshift estimation [3.611102630303458]
  我々は、光赤方偏移(CLAP)のためのContrastive Learning and Adaptive KNNと呼ばれる新しい手法を開発した。 教師付きコントラスト学習(SCL)とk-アネレスト近隣(KNN)を利用して、生の確率密度推定を構築し、校正する。 ハーモニック平均は、精度を向上させるために複数の実現からの推定値のアンサンブルを組み合わせるために用いられる。
  論文  参考訳（メタデータ） (2024-10-25T08:46:55Z)
• Generalizing Stochastic Smoothing for Differentiation and Gradient Estimation [59.86921150579892]
  アルゴリズム,演算子,シミュレータ,その他の微分不可能関数の微分可能緩和に対する勾配推定の問題に対処する。 我々は、微分可能なソートとランキングのための分散化戦略、グラフ上の微分可能なショートパス、ポーズ推定のための微分可能なレンダリング、および微分可能なCryo-ETシミュレーションを開発する。
  論文  参考訳（メタデータ） (2024-10-10T17:10:00Z)
• Flattened one-bit stochastic gradient descent: compressed distributed optimization with controlled variance [55.01966743652196]
  パラメータ・サーバ・フレームワークにおける圧縮勾配通信を用いた分散勾配降下(SGD)のための新しいアルゴリズムを提案する。 平坦な1ビット勾配勾配勾配法(FO-SGD)は2つの単純なアルゴリズムの考え方に依存している。
  論文  参考訳（メタデータ） (2024-05-17T21:17:27Z)
• Conditionally Calibrated Predictive Distributions by Probability-Probability Map: Application to Galaxy Redshift Estimation and Probabilistic Forecasting [4.186140302617659]
  不確実性は、AIアルゴリズムの予測能力を評価するために不可欠である。 PD診断と再校正の両方に対処する textttCal-PIT を提案する。 修正した予測帯域を、オラクルバンドと最先端の予測推論アルゴリズムに対してベンチマークする。
  論文  参考訳（メタデータ） (2022-05-29T03:52:44Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• A Kernel Framework to Quantify a Model's Local Predictive Uncertainty under Data Distributional Shifts [21.591460685054546]
  訓練されたニューラルネットワークの内部層出力は、そのマッピング機能と入力データ分布の両方に関連するすべての情報を含む。 生予測空間のPDFを明示的に推定する訓練ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。 カーネルフレームワークは、モデル予測エラーを検出する能力に基づいて、はるかに精度の高いモデル不確実性推定を提供する。
  論文  参考訳（メタデータ） (2021-03-02T00:31:53Z)
• Variational Transport: A Convergent Particle-BasedAlgorithm for Distributional Optimization [106.70006655990176]
  分散最適化問題は機械学習や統計学で広く発生する。 本稿では,変分輸送と呼ばれる粒子に基づく新しいアルゴリズムを提案する。 目的関数がpolyak-Lojasiewicz (PL) (Polyak, 1963) の機能バージョンと滑らかな条件を満たすとき、変分輸送は線形に収束することを示す。
  論文  参考訳（メタデータ） (2020-12-21T18:33:13Z)
• A machine learning approach to galaxy properties: joint redshift-stellar mass probability distributions with Random Forest [0.0]
  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。
  論文  参考訳（メタデータ） (2020-12-10T19:00:15Z)
• 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)
• Solving Inverse Stochastic Problems from Discrete Particle Observations Using the Fokker-Planck Equation and Physics-informed Neural Networks [7.6595660586147325]
  物理インフォームドニューラルネットワーク(PINN)に基づくフレームワークを開発する。 PINNは分岐サンプルとフォッカー・プランク方程式を結合し、同時に方程式を学習し、多次元確率密度関数を推定する。 我々はFP方程式と力学を同時に高精度に推定できることを最大5次元で示す。
  論文  参考訳（メタデータ） (2020-08-24T18:51:56Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。