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
- The Implicit Bias of Minima Stability in Multivariate Shallow ReLU
Networks [53.95175206863992]
本研究では,2次損失を持つ1層多変量ReLUネットワークをトレーニングする際に,勾配勾配勾配が収束する解のタイプについて検討する。
我々は、浅いReLUネットワークが普遍近似器であるにもかかわらず、安定した浅層ネットワークは存在しないことを証明した。
論文 参考訳(メタデータ) (2023-06-30T09:17:39Z) - Towards Robust Probabilistic Modeling on SO(3) via Rotation Laplace
Distribution [32.26083557492705]
単一のRGB画像から3DoF回転を推定することは難しい問題である。
本稿では,SO(3)上の新しい回転ラプラス分布を提案する。
我々の手法は、異常値の乱れに対して堅牢であり、改善可能な低エラー領域への多くの勾配を強制する。
論文 参考訳(メタデータ) (2023-05-17T12:31:48Z) - 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) - Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。
変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
論文 参考訳(メタデータ) (2022-01-28T22:03:50Z) - 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 [95.67541186704399]
分散最適化問題は機械学習や統計学で広く発生する。
本研究では,ワッサースタイン勾配降下を概ね行う,変分輸送と呼ばれる新しい粒子ベース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。