論文の概要: Removing the fat from your posterior samples with margarine
- arxiv url: http://arxiv.org/abs/2205.12841v1
- Date: Wed, 25 May 2022 15:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-26 15:56:48.972877
- Title: Removing the fat from your posterior samples with margarine
- Title(参考訳): 後方のサンプルから マーガリンで脂肪を取り除いて
- Authors: Harry T. J. Bevins, William J. Handley, Pablo Lemos, Peter H. Sims,
Eloy de Lera Acedo, Anastasia Fialkov, Justin Alsing
- Abstract要約: この研究では、マスク付き自己回帰流とカーネル密度推定器を用いて、辺縁後部をカプセル化する。
我々は、ダークエネルギーサーベイとグローバル21cm信号実験のトピックス宇宙学的な例に適用してこれを実証する。
- 参考スコア(独自算出の注目度): 0.3518016233072556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bayesian workflows often require the introduction of nuisance parameters, yet
for core science modelling one needs access to a marginal posterior density. In
this work we use masked autoregressive flows and kernel density estimators to
encapsulate the marginal posterior, allowing us to compute marginal
Kullback-Leibler divergences and marginal Bayesian model dimensionalities in
addition to generating samples and computing marginal log probabilities. We
demonstrate this in application to topical cosmological examples of the Dark
Energy Survey, and global 21cm signal experiments. In addition to the
computation of marginal Bayesian statistics, this work is important for further
applications in Bayesian experimental design, complex prior modelling and
likelihood emulation. This technique is made publicly available in the
pip-installable code margarine.
- Abstract(参考訳): ベイズワークフローは、しばしばニュアサンスパラメータの導入を必要とするが、コアサイエンスのモデリングには、限界の後方密度へのアクセスが必要である。
本研究では,マスキング自己回帰流とカーネル密度推定器を用いて後縁部をカプセル化し,前縁部のkullback-leiblerダイバージェンスと辺縁ベイズモデルの次元を計算し,サンプルの生成と辺縁のログ確率の計算を可能にした。
我々は、ダークエネルギーサーベイとグローバル21cm信号実験のトピックス宇宙学的な例に適用してこれを実証する。
限界ベイズ統計の計算に加えて、この研究はベイズの実験設計、複雑な事前モデリング、そして可能性エミュレーションにおけるさらなる応用に重要である。
このテクニックは、ip- installable code margarineで公開されています。
関連論文リスト
- von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳(メタデータ) (2024-06-19T01:57:21Z) - Diffusion-HMC: Parameter Inference with Diffusion Model driven Hamiltonian Monte Carlo [2.048226951354646]
この研究は、単一拡散生成モデルを用いて、観測された天体物理学分野の予測を理論から生成し、これらの予測を用いた観測から物理的モデルを制約する、相互に繋がった目的に対処する。
拡散生成モデルの近似的近似性を利用して、ハミルトニアンモンテカルロ法を用いて、与えられたテスト画像の宇宙論的パラメータの後方をサンプリングすることで、宇宙論の厳密な制約を導出する。
論文 参考訳(メタデータ) (2024-05-08T17:59:03Z) - LtU-ILI: An All-in-One Framework for Implicit Inference in Astrophysics and Cosmology [1.5070941464775514]
本稿では,LtU-ILIパイプライン(Learning the Universe Implicit Likelihood Inference:LtU-ILI)を提案する。
これは天体物理学と宇宙論における最先端の機械学習(ML)推論である。
天体物理学や宇宙論の諸問題にまたがる実応用を提示する。
論文 参考訳(メタデータ) (2024-02-06T19:00:00Z) - Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。
我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
論文 参考訳(メタデータ) (2023-10-12T10:56:25Z) - Multiscale Flow for Robust and Optimal Cosmological Analysis [7.977229957867868]
マルチスケールフロー(Multiscale Flow)は、サンプルを作成し、2次元宇宙データの場レベル確率をモデル化する生成正規化フローである。
マルチスケールフローは,バリオン効果などのトレーニングデータにはない分布変化を識別できることを示す。
論文 参考訳(メタデータ) (2023-06-07T18:00:06Z) - 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) - 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) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳(メタデータ) (2021-05-06T17:36:55Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Towards constraining warm dark matter with stellar streams through
neural simulation-based inference [7.608718235345664]
Amortized Approximate Likelihood Ratios (AALR) に基づく確率自由ベイズ推論パイプラインを導入する。
本手法は、暗黒物質サブハローによってのみ恒星の流れが摂動される単純化された場合に適用する。
論文 参考訳(メタデータ) (2020-11-30T15:53:43Z) - Generalized Sliced Distances for Probability Distributions [47.543990188697734]
我々は、一般化スライス確率測定(GSPM)と呼ばれる、幅広い確率測定値の族を紹介する。
GSPMは一般化されたラドン変換に根付いており、ユニークな幾何学的解釈を持つ。
GSPMに基づく勾配流を生成モデル応用に適用し、軽度な仮定の下では、勾配流が大域的最適に収束することを示す。
論文 参考訳(メタデータ) (2020-02-28T04:18:00Z)
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。