論文の概要: Removing the fat from your posterior samples with margarine
- arxiv url: http://arxiv.org/abs/2205.12841v3
- Date: Mon, 31 Jul 2023 10:24:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 00:45:28.516913
- 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: 我々はMasked Autoregressive Flows と Kernel Density Estimator を用いて、コア科学パラメータに対応する限界後部密度を学習する。
限界あるいは「ニュアンスフリー」な後部と関連する可能性には多くの応用があることが分かる。
- 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 analysis has become an indispensable tool across many different
cosmological fields including the study of gravitational waves, the Cosmic
Microwave Background and the 21-cm signal from the Cosmic Dawn among other
phenomena. The method provides a way to fit complex models to data describing
key cosmological and astrophysical signals and a whole host of contaminating
signals and instrumental effects modelled with 'nuisance parameters'. In this
paper, we summarise a method that uses Masked Autoregressive Flows and Kernel
Density Estimators to learn marginal posterior densities corresponding to core
science parameters. We find that the marginal or 'nuisance-free' posteriors and
the associated likelihoods have an abundance of applications including; the
calculation of previously intractable marginal Kullback-Leibler divergences and
marginal Bayesian Model Dimensionalities, likelihood emulation and prior
emulation. We demonstrate each application using toy examples, examples from
the field of 21-cm cosmology and samples from the Dark Energy Survey. We
discuss how marginal summary statistics like the Kullback-Leibler divergences
and Bayesian Model Dimensionalities can be used to examine the constraining
power of different experiments and how we can perform efficient joint analysis
by taking advantage of marginal prior and likelihood emulators. We package our
multipurpose code up in the pip-installable code margarine for use in the wider
scientific community.
- Abstract（参考訳）: ベイズ解析は、重力波の研究、宇宙マイクロ波背景、宇宙の夜明けからの21cm信号など、多くの異なる宇宙分野において必須のツールとなっている。
この方法は、重要な宇宙学的および天体物理学的な信号を記述するデータに複雑なモデルを適合させる方法を提供し、汚染信号と「ノイズパラメータ」をモデル化した機器効果のホスト全体を提供する。
本稿では,Masked Autoregressive Flows と Kernel Density Estimator を用いて,コア科学パラメータに対応する限界後部密度を学習する手法を要約する。
限界あるいは「ニュアンスフリー」な後部と関連する可能性には、これまで難解であったKulback-Leiblerの発散や、限界ベイズモデル次元の計算、可能性エミュレーション、事前エミュレーションなど、多くの応用がある。
我々は, おもちゃの例, 21cm宇宙論の例, ダークエネルギーサーベイのサンプルを用いて, それぞれのアプリケーションを実演する。
kullback-leibler divergences や bayesian model dimensionalities のような辺縁要約統計を用いて,異なる実験の制約力について検討し,辺縁事前およびラキシブルエミュレータを利用して効率的なジョイント解析を行う方法について検討した。
我々の多目的コードは、より広い科学コミュニティで使用するために、ピップインストール可能なコードマーガリンにパッケージングします。
関連論文リスト
- A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳（メタデータ） (2024-10-02T20:46:21Z) - A comparison of Bayesian sampling algorithms for high-dimensional particle physics and cosmology applications [0.0]
我々は,マルコフ・チェイン・モンテカルロ(MCMC)とネストサンプリング手法を幅広く検討し,比較した。
ネストサンプリング手法を用いて最も容易に解けると広く考えられているいくつかの例は、現代のMCMCアルゴリズムによりより効率的に解けることを示す。
論文 参考訳（メタデータ） (2024-09-27T05:57:48Z) - $\mathtt{emuflow}$: Normalising Flows for Joint Cosmological Analysis [0.0]
独立データセットからの宇宙的制約を効率的に組み合わせるために,正規化フローが有効であることを示す。
本手法は,実際の宇宙的データセットの後方分布を正確に記述できることを示す。
結果として生じる共同制約は、その可能性のレベルで同じデータセットを組み合わせるのに要する時間の一部で得られる。
論文 参考訳（メタデータ） (2024-09-02T18:04:14Z) - 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) - 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) - 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。