論文の概要: Scalable Bayesian Inference for Detection and Deblending in Astronomical Images

• arxiv url: http://arxiv.org/abs/2207.05642v1
• Date: Tue, 12 Jul 2022 16:17:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 15:00:06.958891
• Title: Scalable Bayesian Inference for Detection and Deblending in Astronomical Images
• Title（参考訳）: スケーラブルベイズ推定による天文学画像の検出と復号化
• Authors: Derek Hansen, Ismael Mendoza, Runjing Liu, Ziteng Pang, Zhe Zhao, Camille Avestruz, Jeffrey Regier
• Abstract要約: 我々は、ベイズ光源分離器(BLISS)と呼ばれる天文学的な情報源を検出し、議論し、カタログ化するための新しい確率的手法を提案する。 BLISSは、ベイズモデルにニューラルネットワークを組み込む深層生成モデルに基づいている。 後部推論では、BLISSはフォワード補正変分推論(Forward Amortized Variational Inference)と呼ばれる新しい形態の変分推論を使用する。
• 参考スコア（独自算出の注目度）: 4.817136014577995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a new probabilistic method for detecting, deblending, and cataloging astronomical sources called the Bayesian Light Source Separator (BLISS). BLISS is based on deep generative models, which embed neural networks within a Bayesian model. For posterior inference, BLISS uses a new form of variational inference known as Forward Amortized Variational Inference. The BLISS inference routine is fast, requiring a single forward pass of the encoder networks on a GPU once the encoder networks are trained. BLISS can perform fully Bayesian inference on megapixel images in seconds, and produces highly accurate catalogs. BLISS is highly extensible, and has the potential to directly answer downstream scientific questions in addition to producing probabilistic catalogs.
• Abstract（参考訳）: 本稿では,bayesian light source separator (bliss) と呼ばれる天文学的源の検出,分解,カタログ作成のための新しい確率論的手法を提案する。 BLISSは、ベイズモデルにニューラルネットワークを組み込む深層生成モデルに基づいている。 後部推論では、BLISSはForward Amortized Variational Inferenceとして知られる新しい形態の変分推論を使用している。 BLISS推論ルーチンは高速で、エンコーダネットワークのトレーニングが完了すると、GPU上のエンコーダネットワークの1つのフォワードパスが必要になる。 BLISSはメガピクセル画像のベイズ推定を数秒で行うことができ、高精度なカタログを生成する。 BLISSは非常に拡張性が高く、確率論的カタログの作成に加えて下流の科学的疑問に直接答える可能性がある。

関連論文リスト

• Latent Schrodinger Bridge: Prompting Latent Diffusion for Fast Unpaired Image-to-Image Translation [58.19676004192321]
  ノイズからの画像生成とデータからの逆変換の両方を可能にする拡散モデル (DM) は、強力な未ペア画像対イメージ(I2I)翻訳アルゴリズムにインスピレーションを与えている。 我々は、最小輸送コストの分布間の微分方程式(SDE)であるSchrodinger Bridges (SBs) を用いてこの問題に取り組む。 この観測に触発されて,SB ODE を予め訓練した安定拡散により近似する潜在シュロディンガー橋 (LSB) を提案する。 提案アルゴリズムは,従来のDMのコストをわずかに抑えながら,教師なし環境での競合的I2I翻訳を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-22T11:24:14Z)
• When Spectral Modeling Meets Convolutional Networks: A Method for Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data [0.0]
  画像に基づく深層学習により実装された新しい空間幾何学的ベト基準を導入する。 我々は、この手法の最初の応用を、イオン化時代のレンズ付きクエーサーの体系的な探索に適用する。 トレーニングデータセットは、実際の銀河画像の上に偏向した点光源の光を塗って、現実的な銀河クエーサーレンズモデルを生成することで構築される。
  論文  参考訳（メタデータ） (2022-11-26T11:27:13Z)
• Adapting to noise distribution shifts in flow-based gravitational-wave inference [59.040209568168436]
  本研究では, 条件付きデータの流れを発生させることにより, 償却推論の方法を示す。 我々は、この手法が重力波の低遅延解析にディープラーニング技術を利用するための重要な要素になることを期待している。
  論文  参考訳（メタデータ） (2022-11-16T09:56:23Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  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。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Swift sky localization of gravitational waves using deep learning seeded importance sampling [3.3865605512957457]
  ディープラーニングモデルは、重力波の推論タスクに対して正確で極めて高速であることを示してきたが、ニューラルネットワークのブラックボックスの性質のため、その出力は本質的に疑問視されている。 本研究では,多頭部畳み込みニューラルネットワークによって生成された近似後部への重要サンプリングを適用し,ベイズ的推論と深層学習に参画する。 ベイズ推定を用いた予測に非常によく似た、目に見えない重力波事象のスカイマップを数分で生成する。さらに、ニューラルネットワークから弱い予測を検出でき、素早くフラグを付けることができる。
  論文  参考訳（メタデータ） (2021-11-01T11:05:08Z)
• Variational Inference for Deblending Crowded Starfields [0.8471366736328809]
  本稿では,混み合った星場の天体画像のソースを損なうベイズ的手法であるStarNetを提案する。 M2球状星団のSDSS画像を用いた実験では、スターネットは2つの競合する手法よりもかなり精度が高い。
  論文  参考訳（メタデータ） (2021-02-04T04:36:58Z)
• Bayesian Inference Forgetting [82.6681466124663]
  忘れられる権利は多くの国で合法化されているが、機械学習の施行は耐え難いコストを引き起こすだろう。 本稿では,ベイズ推論において忘れられる権利を実現するための it bayesian inference forgetting (bif) フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-16T09:52:51Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• Hierarchical Inference With Bayesian Neural Networks: An Application to Strong Gravitational Lensing [0.0]
  我々は、非表現的トレーニングセットの中間で導入されたバイアスを緩和する階層的推論フレームワークを開発する。 何千ものレンズのトレーニングから階層的推論まで、私たちの完全なパイプラインは1日で実行できます。
  論文  参考訳（メタデータ） (2020-10-26T18:00:00Z)
• Detecting optical transients using artificial neural networks and reference images from different surveys [0.0]
  人工ニューラルネットワークを用いてこれらのトランジェントを検出する手法を提案する。 1つの画像は、潜在的な過渡期が存在する可能性があるエポックに対応しており、もう1つは初期のエポックの参照画像である。 実画像データから生成されたサンプルを用いて、シミュレーションされたサンプルに基づいて畳み込みニューラルネットワークと高密度層ネットワークを訓練し、トレーニングされたネットワークを試験した。
  論文  参考訳（メタデータ） (2020-09-28T22:16:54Z)
• Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
  本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。 そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
  論文  参考訳（メタデータ） (2020-09-07T13:01:45Z)

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。