論文の概要: A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series
- arxiv url: http://arxiv.org/abs/2207.07645v1
- Date: Fri, 15 Jul 2022 17:58:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 15:55:31.587158
- Title: A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series
- Title（参考訳）: Ia型超新星スペクトル時系列の確率的オートエンコーダ
- Authors: George Stein, Uros Seljak, Vanessa Bohm, G. Aldering, P. Antilogus, C.
Aragon, S. Bailey, C. Baltay, S. Bongard, K. Boone, C. Buton, Y. Copin, S.
Dixon, D. Fouchez, E. Gangler, R. Gupta, B. Hayden, W. Hillebrandt, M.
Karmen, A. G. Kim, M. Kowalski, D. Kusters, P. F. Leget, F. Mondon, J.
Nordin, R. Pain, E. Pecontal, R. Pereira, S. Perlmutter, K. A. Ponder, D.
Rabinowitz, M. Rigault, D. Rubin, K. Runge, C. Saunders, G. Smadja, N.
Suzuki, C. Tao, R. C. Thomas, M. Vincenzi
- Abstract要約: 我々は、スペクトル時系列のスパース集合からIa型超新星(SNe Ia)の固有多様性を学習するために確率論的自己エンコーダを構築する。
PAEは低次元の潜伏空間を学習し、人口内に存在する非線形な特徴を捉えていることを示す。
次に、SNe Ia上の多くの下流タスクにPAEを使用し、より正確に宇宙論的な分析を行う。
- 参考スコア（独自算出の注目度）: 1.3316902142331577
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We construct a physically-parameterized probabilistic autoencoder (PAE) to
learn the intrinsic diversity of type Ia supernovae (SNe Ia) from a sparse set
of spectral time series. The PAE is a two-stage generative model, composed of
an Auto-Encoder (AE) which is interpreted probabilistically after training
using a Normalizing Flow (NF). We demonstrate that the PAE learns a
low-dimensional latent space that captures the nonlinear range of features that
exists within the population, and can accurately model the spectral evolution
of SNe Ia across the full range of wavelength and observation times directly
from the data. By introducing a correlation penalty term and multi-stage
training setup alongside our physically-parameterized network we show that
intrinsic and extrinsic modes of variability can be separated during training,
removing the need for the additional models to perform magnitude
standardization. We then use our PAE in a number of downstream tasks on SNe Ia
for increasingly precise cosmological analyses, including automatic detection
of SN outliers, the generation of samples consistent with the data
distribution, and solving the inverse problem in the presence of noisy and
incomplete data to constrain cosmological distance measurements. We find that
the optimal number of intrinsic model parameters appears to be three, in line
with previous studies, and show that we can standardize our test sample of SNe
Ia with an RMS of $0.091 \pm 0.010$ mag, which corresponds to $0.074 \pm 0.010$
mag if peculiar velocity contributions are removed. Trained models and codes
are released at
\href{https://github.com/georgestein/suPAErnova}{github.com/georgestein/suPAErnova}
- Abstract（参考訳）: 我々は、スペクトル時系列のスパース集合からia型超新星(sne ia)の本質的多様性を学ぶために、物理的にパラメータ化された確率的オートエンコーダ(pae)を構築する。
PAEは2段階生成モデルであり、正規化フロー(NF)を用いたトレーニング後に確率論的に解釈されるオートエンコーダ(AE)で構成されている。
PAEが低次元の潜伏空間を学習し、人口内に存在する非線形な特徴の範囲を捉え、SNe Iaのスペクトル進化を、データから直接、全波長および観測時間にわたって正確にモデル化できることを実証する。
物理的にパラメータ化されたネットワークと並行して相関ペナルティの項と多段階トレーニングのセットアップを導入することで、トレーニング中に内在的および外在的な可変性のモードを分離できることを示した。
次に、sne iaの下流タスクでpaeを使い、sn外れ値の自動検出、データ分布と一致したサンプルの生成、ノイズと不完全なデータの存在下での逆問題による宇宙距離測定の制約など、より精密な宇宙論的解析を行う。
その結果, 固有モデルパラメータの最適数は, 従来の研究と一致し, sne ia のテストサンプルを 0.091 \pm 0.010$ mag の rms で標準化でき, 特異な速度寄与を除去すれば $0.074 \pm 0.010$ mag となることがわかった。
トレーニングされたモデルとコードは \href{https://github.com/georgestein/suPAErnova}{github.com/georgestein/suPAErnova} でリリースされる。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳（メタデータ） (2023-10-04T07:14:43Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - LSTM and CNN application for core-collapse supernova search in
gravitational wave real data [0.0]
コア崩壊型超新星(CCSNe)は、銀河系や近隣の銀河の干渉計によって検出される重力波信号を放出することが期待されている。
実データを用いた各種CCSNeシミュレート信号と雑音過渡音のマルチラベル分類のための機械学習(ML)の可能性を示す。
論文 参考訳（メタデータ） (2023-01-23T12:12:33Z) - Imputing Missing Observations with Time Sliced Synthetic Minority
Oversampling Technique [0.3973560285628012]
本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。
我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。
これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
論文 参考訳（メタデータ） (2022-01-14T19:23:24Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳（メタデータ） (2021-12-07T03:33:39Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Unbiased Gradient Estimation for Variational Auto-Encoders using Coupled
Markov Chains [34.77971292478243]
変分オートエンコーダ(VAE)は、オートエンコーダのようなアーキテクチャで2つのニューラルネットワークを持つ、潜伏変数モデルである。
ログ型勾配の偏りのない推定器を導入することにより,VAEのトレーニング手法を開発する。
偏りのない推定器を装着したVAEは予測性能が向上することを示した。
論文 参考訳（メタデータ） (2020-10-05T08:11:55Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳（メタデータ） (2020-02-18T15:44:04Z)
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。