論文の概要: Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks

• arxiv url: http://arxiv.org/abs/2207.03471v1
• Date: Thu, 7 Jul 2022 17:55:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 14:49:56.825756
• Title: Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks
• Title（参考訳）: ベイズニューラルネットワークを用いた不確実性定量化を伴う低表面ブライトネスガラキシーの構造パラメータの推定
• Authors: Dimitrios Tanoglidis, Aleksandra \'Ciprijanovi\'c, Alex Drlica-Wagner
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.80563014913676
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Measuring the structural parameters (size, total brightness, light concentration, etc.) of galaxies is a significant first step towards a quantitative description of different galaxy populations. In this work, we demonstrate that a Bayesian Neural Network (BNN) can be used for the inference, with uncertainty quantification, of such morphological parameters from simulated low-surface-brightness galaxy images. Compared to traditional profile-fitting methods, we show that the uncertainties obtained using BNNs are comparable in magnitude, well-calibrated, and the point estimates of the parameters are closer to the true values. Our method is also significantly faster, which is very important with the advent of the era of large galaxy surveys and big data in astrophysics.
• Abstract（参考訳）: 銀河の構造パラメータ(大きさ、全輝度、光濃度など)を測定することは、異なる銀河集団を定量的に記述するための重要な第一歩である。 本研究では, ベイズニューラルネットワーク(BNN)を用いて, シミュレーションされた低地表面明度銀河画像から, それらの形態パラメータを不確実な定量化で推測できることを示す。 従来のプロファイルフィッティング法と比較して,bnnを用いて得られる不確かさは等しく,十分に調整されており,パラメータの点推定値は真の値に近い。 また、我々の手法は非常に高速であり、天体物理学における大規模な銀河探査とビッグデータの出現において非常に重要である。

関連論文リスト

• Field-level simulation-based inference with galaxy catalogs: the impact of systematic effects [0.6271213328710472]
  我々は、CAMELSプロジェクトと異なるコードで実行される何千もの最先端の流体力学シミュレーションから生成された銀河カタログ上で、我々のモデルを訓練し、テストする。 これらの効果の存在はモデルの精度と精度を低下させるが、モデルが良好に機能する銀河カタログの比率は90%以上である。
  論文  参考訳（メタデータ） (2023-10-23T18:00:07Z)
• Learning Active Subspaces for Effective and Scalable Uncertainty Quantification in Deep Neural Networks [13.388835540131508]
  本稿では,ニューラルネットワークパラメータの低次元部分空間を構築するための新しい手法を提案する。 その結果, 有効かつスケーラブルなベイズ推定が可能であることを実証した。 提案手法は, 各種回帰タスクに対して, 頑健な不確実性推定を伴う信頼性予測を提供する。
  論文  参考訳（メタデータ） (2023-09-06T15:00:36Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• 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)
• Constraining dark matter annihilation with cosmic ray antiprotons using neural networks [0.0]
  第二級およびダークマターの宇宙線反陽子のシミュレーションを著しく高速化する新しい手法を提案する。 我々は,ネットワークが十分に訓練されたパラメータ領域でのみ評価されることを保証するために,特に重要サンプリングを適当とみなす。 完全にトレーニングされたネットワークは、この作業とともにDarkRayNetとしてリリースされ、従来のアプローチに比べて少なくとも2桁のスピードアップを実現している。
  論文  参考訳（メタデータ） (2021-07-26T18:00:04Z)
• 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)
• 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)
• Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
  本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。 3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。 結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
  論文  参考訳（メタデータ） (2020-07-09T01:45:06Z)
• Constraining the recent star formation history of galaxies : an Approximate Bayesian Computation approach [0.0]
  本研究は、過去数十～数百年の恒星形成活動の強い変動を呈する銀河を同定する手法を提案する。 高信号対雑音比広帯域光度計を用いてCOSMOS銀河のサンプルを分析する。
  論文  参考訳（メタデータ） (2020-02-18T19:00:01Z)

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。