論文の概要: Accelerated Bayesian SED Modeling using Amortized Neural Posterior
Estimation
- arxiv url: http://arxiv.org/abs/2203.07391v1
- Date: Mon, 14 Mar 2022 18:00:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-19 11:39:35.882993
- Title: Accelerated Bayesian SED Modeling using Amortized Neural Posterior
Estimation
- Title(参考訳): Amortized Neural Posterior Estimation を用いた高速ベイズSEDモデリング
- Authors: ChangHoon Hahn, Peter Melchior
- Abstract要約: Amortized Neural Posterior Estimation (ANPE) を用いた厳密なベイズ推定のための別のスケーラブルなアプローチを提案する。
ANPEは、ニューラルネットワークを用いて後続確率分布を推定するシミュレーションベースの推論手法である。
我々は,光測光による最近のHahn et al. (2022) SEDモデルの後部を生成可能なANPE法である$rm SEDflow$を提示し,公開している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-of-the-art spectral energy distribution (SED) analyses use a Bayesian
framework to infer the physical properties of galaxies from observed photometry
or spectra. They require sampling from a high-dimensional space of SED model
parameters and take $>10-100$ CPU hours per galaxy, which renders them
practically infeasible for analyzing the $billions$ of galaxies that will be
observed by upcoming galaxy surveys ($e.g.$ DESI, PFS, Rubin, Webb, and Roman).
In this work, we present an alternative scalable approach to rigorous Bayesian
inference using Amortized Neural Posterior Estimation (ANPE). ANPE is a
simulation-based inference method that employs neural networks to estimate the
posterior probability distribution over the full range of observations. Once
trained, it requires no additional model evaluations to estimate the posterior.
We present, and publicly release, ${\rm SED}{flow}$, an ANPE method to produce
posteriors of the recent Hahn et al. (2022) SED model from optical photometry.
${\rm SED}{flow}$ takes ${\sim}1$ $second~per~galaxy$ to obtain the posterior
distributions of 12 model parameters, all of which are in excellent agreement
with traditional Markov Chain Monte Carlo sampling results. We also apply ${\rm
SED}{flow}$ to 33,884 galaxies in the NASA-Sloan Atlas and publicly release
their posteriors: see https://changhoonhahn.github.io/SEDflow.
- Abstract(参考訳): 最先端のスペクトルエネルギー分布(SED)分析は、観測された光度測定やスペクトルから銀河の物理的性質を推測するためにベイズ的枠組みを用いている。
これらはSEDモデルパラメータの高次元空間からのサンプリングを必要とし、1銀河あたり10-100$のCPU時間を必要とするため、今後の銀河調査で観測されるであろう数十万ドルの銀河(例えば、DESI、PSS、Rubin、Webb、Roman)を分析することは事実上不可能である。
本稿では、Amortized Neural Posterior Estimation (ANPE) を用いて、厳密なベイズ推定のための拡張性のあるアプローチを提案する。
ANPEはシミュレーションに基づく推論手法であり、ニューラルネットワークを用いて全観測範囲の後方確率分布を推定する。
訓練後、後部を推定するために追加のモデル評価を必要としない。
我々は,光測光による最近のHahn et al. (2022) SEDモデルの後部を生成可能なANPE法である${\rm SED}{flow}$を提示し,公開している。
${\rm sed}{flow}$ takes ${\sim}1$ $$$second~per~galaxy$ 12のモデルパラメータの後方分布を取得する。
また、nasa-sloan atlasに${\rm sed}{flow}$を33,884の銀河に適用し、その後縁を公表している。
関連論文リスト
- Closed-form Filtering for Non-linear Systems [83.91296397912218]
我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。
本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。
提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
論文 参考訳(メタデータ) (2024-02-15T08:51:49Z) - Dynamical System Identification, Model Selection and Model Uncertainty
Quantification by Bayesian Inference [0.8999666725996975]
2つのアルゴリズム(JMAP)と変分ベイズ近似(VBA)を比較した。
多変量ガウス確率とそれ以前の分布に対して、ベイジアン定式化はガウス後続分布と証拠分布を与える。
後ガウスノルムは、量的モデル選択のための堅牢な計量を提供する。
論文 参考訳(メタデータ) (2024-01-30T12:16:52Z) - Extracting the gamma-ray source-count distribution below the Fermi-LAT
detection limit with deep learning [68.8204255655161]
合成2次元スカイマップ上で畳み込みニューラルネットワークを訓練し,Fermi-LATインスツルメンタル応答関数を組み込む。
トレーニングされたニューラルネットワークはFermi-LATデータに適用され、そこからソースカウント分布をFermi-LATしきい値以下50のフラックスレベルまで推定する。
論文 参考訳(メタデータ) (2023-02-03T19:00:51Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳(メタデータ) (2022-11-17T13:01:26Z) - Hierarchical Inference of the Lensing Convergence from Photometric
Catalogs with Bayesian Graph Neural Networks [0.0]
我々は銀河ギャラクシーレンズのスケールを$sim$1$''で変動させ、BGNNを訓練するためにランダムな視線を抽出する。
BGNNは、1000の視線からなる各テストセットに対して、個々の$kappa$aftersを推論し、階層的ベイズモデルで組み合わせる。
トレーニングセットでよくサンプリングされたテストフィールドに対して、BGNNは、正確にはバイアスなく、人口平均の$kappa$を回収する。
論文 参考訳(メタデータ) (2022-11-15T00:29:20Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳(メタデータ) (2021-06-25T16:01:19Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳(メタデータ) (2020-11-24T22:51:08Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳(メタデータ) (2020-06-22T16:43:35Z)
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。