論文の概要: Fast and Credible Likelihood-Free Cosmology with Truncated Marginal
Neural Ratio Estimation
- arxiv url: http://arxiv.org/abs/2111.08030v1
- Date: Mon, 15 Nov 2021 19:00:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 16:16:56.152710
- Title: Fast and Credible Likelihood-Free Cosmology with Truncated Marginal
Neural Ratio Estimation
- Title(参考訳): 収縮性大脳神経比推定を用いた高速・信頼性自由宇宙論
- Authors: Alex Cole, Benjamin Kurt Miller, Samuel J. Witte, Maxwell X. Cai,
Meiert W. Grootes, Francesco Nattino, Christoph Weniger
- Abstract要約: 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。
- 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: Sampling-based inference techniques are central to modern cosmological data
analysis; these methods, however, scale poorly with dimensionality and
typically require approximate or intractable likelihoods. In this paper we
describe how Truncated Marginal Neural Ratio Estimation (TMNRE) (a new approach
in so-called simulation-based inference) naturally evades these issues,
improving the $(i)$ efficiency, $(ii)$ scalability, and $(iii)$ trustworthiness
of the inferred posteriors. Using measurements of the Cosmic Microwave
Background (CMB), we show that TMNRE can achieve converged posteriors using
orders of magnitude fewer simulator calls than conventional Markov Chain Monte
Carlo (MCMC) methods. Remarkably, the required number of samples is effectively
independent of the number of nuisance parameters. In addition, a property
called \emph{local amortization} allows the performance of rigorous statistical
consistency checks that are not accessible to sampling-based methods. TMNRE
promises to become a powerful tool for cosmological data analysis, particularly
in the context of extended cosmologies, where the timescale required for
conventional sampling-based inference methods to converge can greatly exceed
that of simple cosmological models such as $\Lambda$CDM. To perform these
computations, we use an implementation of TMNRE via the open-source code
\texttt{swyft}.
- Abstract(参考訳): サンプリングに基づく推論技術は現代の宇宙データ分析の中心であるが、これらの手法は次元性に乏しく、典型的には近似的あるいは難解な可能性を必要とする。
本稿では,Truncated Marginal Neural Ratio Estimation (TMNRE) (いわゆるシミュレーションベース推論の新しいアプローチ) がこれらの問題を自然に回避し,$を改良した方法について述べる。
(i)$効率、$
(ii)スケーラビリティ、および$
(iii)推測された後肢の信頼性。
宇宙マイクロ波背景測定(CMB)を用いて,従来のマルコフ・チェイン・モンテカルロ法(MCMC)よりもはるかに少ないシミュレーションコールで,TMNREが収束後部を達成可能であることを示す。
驚くべきことに、必要なサンプル数は、迷惑パラメータの数に依存しない。
さらに、 \emph{local amortization} と呼ばれるプロパティは、サンプリングベースのメソッドではアクセスできない厳密な統計一貫性チェックのパフォーマンスを可能にする。
tmnreは、従来のサンプリングベースの推論手法が収束するのに要する時間スケールが$\lambda$cdmのような単純な宇宙論モデルを大幅に超えるような拡張宇宙論の文脈において、宇宙論的データ分析の強力なツールになることを約束している。
これらの計算を行うために,オープンソースコード \texttt{swyft} を通じて TMNRE の実装を利用する。
関連論文リスト
- Consistency Models for Scalable and Fast Simulation-Based Inference [1.907072234794597]
CMPEは,スケーラブルで高速でアモータイズされたニューラルネットワークのための新しい自由形式の条件付きサンプルである。
基本的に連続的な確率フローを蒸留し、制約のないアーキテクチャで高速な数発の推論を可能にする。
ハイ次元ベイズ・デノナイジング実験において競争性能を達成し,腫瘍球状成長のマルチスケールモデルの推定を行う。
論文 参考訳(メタデータ) (2023-12-09T02:14:12Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳(メタデータ) (2023-10-21T18:48:45Z) - Self-Supervised Scalable Deep Compressed Sensing [26.66504596823498]
圧縮センシングはサンプリングコストを削減するための有望なツールである。
現在のディープニューラルネットワーク(NN)ベースのCS手法は、ラベル付き測定地上真実(GT)データを収集する際の課題に直面している。
本稿では,新しい$mathbfS$elf-supervised s$mathbfC$alable Deep CS法を提案する。
論文 参考訳(メタデータ) (2023-08-26T06:03:06Z) - Simulation-based inference using surjective sequential neural likelihood
estimation [50.24983453990065]
主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。
データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
論文 参考訳(メタデータ) (2023-08-02T10:02:38Z) - Aspects of scaling and scalability for flow-based sampling of lattice
QCD [137.23107300589385]
格子場理論におけるサンプリングへの機械学習正規化流れの最近の応用は、そのような手法が臨界減速と位相凍結を緩和できる可能性を示唆している。
最先端の格子量子色力学計算に適用できるかどうかはまだ定かではない。
論文 参考訳(メタデータ) (2022-11-14T17:07:37Z) - Probabilistic Mass Mapping with Neural Score Estimation [4.079848600120986]
弱レンズ質量マッピング問題の高次元ベイズ後方の効率的なサンプリング法を提案する。
本手法の精度をシミュレーションで実証し,HST/ACS COSMOSフィールドの大量再構成に適用する。
論文 参考訳(メタデータ) (2022-01-14T17:07:48Z) - Gaining Outlier Resistance with Progressive Quantiles: Fast Algorithms
and Theoretical Studies [1.6457778420360534]
任意の損失関数を強固化するために, 外部抵抗推定の枠組みを導入する。
通常のデータセットでは、データ再見積の回数を大幅に削減できるような、開始点の要件を緩和する新しい手法が提案されている。
得られた推定器は、必ずしも大域的でも大域的でもなくても、両方の低次元において最適性を楽しむことができる。
論文 参考訳(メタデータ) (2021-12-15T20:35:21Z) - Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。
本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。
本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
論文 参考訳(メタデータ) (2020-11-09T02:51:17Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Breaking the Sample Size Barrier in Model-Based Reinforcement Learning
with a Generative Model [50.38446482252857]
本稿では、生成モデル(シミュレータ)へのアクセスを想定して、強化学習のサンプル効率について検討する。
最初に$gamma$-discounted infinite-horizon Markov decision process (MDPs) with state space $mathcalS$ and action space $mathcalA$を考える。
対象の精度を考慮すれば,モデルに基づく計画アルゴリズムが最小限のサンプルの複雑さを実現するのに十分であることを示す。
論文 参考訳(メタデータ) (2020-05-26T17:53:18Z)
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。