論文の概要: alpha-Deep Probabilistic Inference (alpha-DPI): efficient uncertainty quantification from exoplanet astrometry to black hole feature extraction

• arxiv url: http://arxiv.org/abs/2201.08506v1
• Date: Fri, 21 Jan 2022 00:58:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-24 20:22:19.960823
• Title: alpha-Deep Probabilistic Inference (alpha-DPI): efficient uncertainty quantification from exoplanet astrometry to black hole feature extraction
• Title（参考訳）: α-Deep Probabilistic Inference (alpha-DPI):外惑星軌道からブラックホールの特徴抽出への効率的な不確実性定量化
• Authors: He Sun, Katherine L. Bouman, Paul Tiede, Jason J. Wang, Sarah Blunt, Dimitri Mawet
• Abstract要約: 推論は、間接的および雑音の測定から隠れた天体物理学の特徴を推定する現代の天文学研究において重要である。 従来の後方推定手法にはサンプリングに基づく手法と変分推論がある。 生成ニューラルネットワークと組み合わせたアルファ・ディバージェンス変分推論を用いて、近似した後進を学習するディープラーニングフレームワークであるα-DPIを提案する。
• 参考スコア（独自算出の注目度）: 7.5042943749402555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inference is crucial in modern astronomical research, where hidden astrophysical features and patterns are often estimated from indirect and noisy measurements. Inferring the posterior of hidden features, conditioned on the observed measurements, is essential for understanding the uncertainty of results and downstream scientific interpretations. Traditional approaches for posterior estimation include sampling-based methods and variational inference. However, sampling-based methods are typically slow for high-dimensional inverse problems, while variational inference often lacks estimation accuracy. In this paper, we propose alpha-DPI, a deep learning framework that first learns an approximate posterior using alpha-divergence variational inference paired with a generative neural network, and then produces more accurate posterior samples through importance re-weighting of the network samples. It inherits strengths from both sampling and variational inference methods: it is fast, accurate, and scalable to high-dimensional problems. We apply our approach to two high-impact astronomical inference problems using real data: exoplanet astrometry and black hole feature extraction.
• Abstract（参考訳）: 推論は、天体物理学的な特徴やパターンを間接的およびノイズ的な測定から推定する現代の天文学研究において重要である。 観測結果の不確実性や下流の科学的解釈を理解するためには, 隠れた特徴の後部を推定することが不可欠である。 従来の後方推定手法にはサンプリングに基づく手法と変分推論がある。 しかしながら、サンプリングに基づく手法は一般的に高次元逆問題では遅いが、変分推論はしばしば推定精度を欠く。 本稿では、まず、生成ニューラルネットワークと組み合わせたアルファ・ディバージェンス変分推論を用いて、近似した後進を学習し、次いでネットワークサンプルの重要度を再重み付けにより、より正確な後進サンプルを生成するディープラーニングフレームワークであるα-DPIを提案する。 サンプリング法と変分推論法の両方から強みを受け継ぎ、高速で正確で、高次元問題にスケーラブルである。 我々は、実データを用いた2つの高インパクト天文学的推測問題(外惑星分光法とブラックホールの特徴抽出)にアプローチを適用する。

関連論文リスト

• Inferring Atmospheric Properties of Exoplanets with Flow Matching and Neural Importance Sampling [10.847353970405285]
  大気の探査は、観測された光スペクトルから大気パラメータを推定することで外惑星を特徴づける。 ネストサンプリングのような従来の手法は計算コストが高く、機械学習(ML)に基づくソリューションへの関心を喚起する。 まず、新しいMLベースのAR手法として、フローマッチング後推定(FMPE)について検討し、その場合、神経後推定(NPE)よりも正確であることを示す。 次に、FMPEとNPEを併用して重要サンプリングを行い、どちらの手法も精度とシミュレーション効率においてネストサンプリングに優れることを示した。
  論文  参考訳（メタデータ） (2023-12-13T17:12:03Z)
• ExoplANNET: A deep learning algorithm to detect and identify planetary signals in radial velocity data [0.0]
  放射速度法で検出された信号の意義の計算に代えて,ニューラルネットワークを提案する。 このアルゴリズムは、惑星の伴星を伴わないシステムの合成データを用いて訓練される。 偽陽性は28パーセント減少し、実行時間は従来の方法よりも5桁高速である。
  論文  参考訳（メタデータ） (2023-03-16T14:16:19Z)
• Posterior sampling with CNN-based, Plug-and-Play regularization with applications to Post-Stack Seismic Inversion [0.0]
  不確かさの定量化は、反転結果に関する貴重な情報を提供することができるため、逆問題に不可欠である。 本稿では,CNNに基づくデノイザを用いて,Kulback-Leibler分散損失を暗黙的に正規化することにより,後部推論を行うフレームワークを提案する。 我々はこのアルゴリズムをPlug-and-Play Stein Vari-SVGDと呼び、高解像度で信頼性の高いサンプルを作成する能力を示す。
  論文  参考訳（メタデータ） (2022-12-30T08:20:49Z)
• Posterior samples of source galaxies in strong gravitational lenses with score-based priors [107.52670032376555]
  我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。 アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
  論文  参考訳（メタデータ） (2022-11-07T19:00:42Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
  実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。 従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。 しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
  論文  参考訳（メタデータ） (2021-10-17T15:21:27Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• Inferring dark matter substructure with astrometric lensing beyond the power spectrum [0.0]
  そこで我々は,地球規模の暗黒物質による重力レンズのシグネチャの探索手法を提案する。 提案手法は, 暗黒物質群に対する感度が有意に向上したことを示す。
  論文  参考訳（メタデータ） (2021-10-04T18:00:00Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)

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。