論文の概要: Convolutional neural networks as an alternative to Bayesian retrievals
- arxiv url: http://arxiv.org/abs/2203.01236v1
- Date: Wed, 2 Mar 2022 16:58:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 16:32:40.832481
- Title: Convolutional neural networks as an alternative to Bayesian retrievals
- Title（参考訳）: ベイズ検索の代替としての畳み込みニューラルネットワーク
- Authors: Francisco Ardevol Martinez, Michiel Min, Inga Kamp, Paul I. Palmer
- Abstract要約: 我々は、外惑星透過スペクトルの機械学習検索とネストサンプリングを比較した。
また、我々のモデルにおける誤った仮定に対して、機械学習とネストサンプリングがいかに堅牢かをテストする。
- 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: Exoplanet observations are currently analysed with Bayesian retrieval
techniques. Due to the computational load of the models used, a compromise is
needed between model complexity and computing time. Analysis of data from
future facilities, will need more complex models which will increase the
computational load of retrievals, prompting the search for a faster approach
for interpreting exoplanet observations. Our goal is to compare machine
learning retrievals of exoplanet transmission spectra with nested sampling, and
understand if machine learning can be as reliable as Bayesian retrievals for a
statistically significant sample of spectra while being orders of magnitude
faster. We generate grids of synthetic transmission spectra and their
corresponding planetary and atmospheric parameters, one using free chemistry
models, and the other using equilibrium chemistry models. Each grid is
subsequently rebinned to simulate both HST/WFC3 and JWST/NIRSpec observations,
yielding four datasets in total. Convolutional neural networks (CNNs) are
trained with each of the datasets. We perform retrievals on a 1,000 simulated
observations for each combination of model type and instrument with nested
sampling and machine learning. We also use both methods to perform retrievals
on real WFC3 transmission spectra. Finally, we test how robust machine learning
and nested sampling are against incorrect assumptions in our models. CNNs reach
a lower coefficient of determination between predicted and true values of the
parameters. Nested sampling underestimates the uncertainty in ~8% of
retrievals, whereas CNNs estimate them correctly. For real WFC3 observations,
nested sampling and machine learning agree within $2\sigma$ for ~86% of
spectra. When doing retrievals with incorrect assumptions, nested sampling
underestimates the uncertainty in ~12% to ~41% of cases, whereas this is always
below ~10% for the CNN.
- Abstract（参考訳）: 太陽系外惑星の観測は、現在ベイズ検索技術で分析されている。
使用するモデルの計算負荷のため、モデルの複雑さと計算時間の間に妥協が必要となる。
将来の施設からのデータ分析では、検索の計算負荷を増大させる複雑なモデルが必要となり、太陽系外惑星の観測を解釈するためのより高速なアプローチが求められている。
我々の目標は、太陽系外惑星透過スペクトルの機械学習検索をネストサンプリングと比較し、統計学的に有意なスペクトルサンプルのベイズ検索と同等に信頼性があるかどうかを、桁違いに高速で理解することである。
我々は合成透過スペクトルとその対応する惑星および大気パラメータの格子を生成し、一方は自由化学モデル、もう一方は平衡化学モデルを用いて生成する。
各グリッドは、HST/WFC3とJWST/NIRSpecの両方をシミュレートするために再結合され、合計4つのデータセットが生成される。
畳み込みニューラルネットワーク(CNN)は、それぞれのデータセットでトレーニングされる。
我々は,ネストサンプリングと機械学習を用いて,モデルタイプと楽器の組み合わせ毎に1,000のシミュレーション観測を行った。
また、実際のWFC3伝送スペクトルの検索にも両方の手法を用いる。
最後に、モデルの誤った仮定に対して、機械学習とネストサンプリングがいかに堅牢であるかをテストします。
CNNは、パラメータの予測値と真値の間の決定係数を低くする。
ネステッドサンプリングは検索の約8%で不確実性を過小評価する一方、CNNはそれらを正確に推定する。
実際のWFC3観測では、ネストサンプリングと機械学習はスペクトルの約86%に対して$2\sigma$で一致している。
誤った仮定で検索を行う場合、ネストサンプリングはケースの12%から41%で不確実性を過小評価するが、CNNでは10%以下である。
関連論文リスト
- Stochastic Approximation Approach to Federated Machine Learning [0.0]
本稿では、近似(SA)フレームワークにおけるフェデレートラーニング(FL)について検討する。
FLは、さまざまな参加者やクライアント間でニューラルネットワークモデルをトレーニングする、協調的な方法である。
提案アルゴリズムは頑健であり,より信頼性の高い重み推定を行う。
論文 参考訳（メタデータ） (2024-02-20T12:00:25Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Sampling weights of deep neural networks [1.2370077627846041]
完全に接続されたニューラルネットワークの重みとバイアスに対して,効率的なサンプリングアルゴリズムと組み合わせた確率分布を導入する。
教師付き学習環境では、内部ネットワークパラメータの反復最適化や勾配計算は不要である。
サンプルネットワークが普遍近似器であることを証明する。
論文 参考訳（メタデータ） (2023-06-29T10:13:36Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Automatic Neural Network Hyperparameter Optimization for Extrapolation:
Lessons Learned from Visible and Near-Infrared Spectroscopy of Mango Fruit [7.462336024223667]
本稿では、可視・近赤外分光(VNIR)の領域に間に合うように、ニューラルネットワークを自動で設定する方法について考察する。
ニューラルネットワークモデルの外挿を促進するために、テストセットと同じような時間でシフトしたサンプルのモデル構成を検証することを検討する。
アンサンブルにより,最先端モデルの分散と精度が向上することがわかった。
論文 参考訳（メタデータ） (2022-10-03T00:41:05Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series [1.3316902142331577]
我々は、スペクトル時系列のスパース集合からIa型超新星(SNe Ia)の固有多様性を学習するために確率論的自己エンコーダを構築する。
PAEは低次元の潜伏空間を学習し、人口内に存在する非線形な特徴を捉えていることを示す。
次に、SNe Ia上の多くの下流タスクにPAEを使用し、より正確に宇宙論的な分析を行う。
論文 参考訳（メタデータ） (2022-07-15T17:58:27Z) - Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。
パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
論文 参考訳（メタデータ） (2022-01-28T12:00:31Z) - Transfer Learning with Convolutional Networks for Atmospheric Parameter
Retrieval [14.131127382785973]
MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する
IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。
本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
論文 参考訳（メタデータ） (2020-12-09T09:28:42Z) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳（メタデータ） (2020-10-23T11:18:20Z) - Parameter Space Factorization for Zero-Shot Learning across Tasks and
Languages [112.65994041398481]
本稿では,ニューラルパラメータの空間に対するベイズ生成モデルを提案する。
タスク言語の組み合わせから得られたデータに基づいて、そのような潜伏変数よりも後部を推測する。
我々のモデルは、最先端のゼロショットの言語間転送手法よりも、同等か良い結果が得られる。
論文 参考訳（メタデータ） (2020-01-30T16:58:56Z)
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。