論文の概要: Robust Simulation-Based Inference in Cosmology with Bayesian Neural
Networks
- arxiv url: http://arxiv.org/abs/2207.08435v2
- Date: Wed, 20 Jul 2022 13:02:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 10:51:47.811697
- Title: Robust Simulation-Based Inference in Cosmology with 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宇宙論におけるロバストシミュレーションに基づく推論
- Authors: Pablo Lemos, Miles Cranmer, Muntazir Abidi, ChangHoon Hahn, Michael
Eickenberg, Elena Massara, David Yallup, Shirley Ho
- Abstract要約: SBIのトレーニングにベイズネットワークフレームワークを用いることでバイアスを軽減し、トレーニングセット外のより信頼性の高い推論を実現する方法を示す。
SWAGは、宇宙論における平均ウェイト平均化の最初の応用であり、マイクロ波背景の推測のために訓練されたSBIに適用する。
- 参考スコア(独自算出の注目度): 3.497773679350512
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation-based inference (SBI) is rapidly establishing itself as a standard
machine learning technique for analyzing data in cosmological surveys. Despite
continual improvements to the quality of density estimation by learned models,
applications of such techniques to real data are entirely reliant on the
generalization power of neural networks far outside the training distribution,
which is mostly unconstrained. Due to the imperfections in scientist-created
simulations, and the large computational expense of generating all possible
parameter combinations, SBI methods in cosmology are vulnerable to such
generalization issues. Here, we discuss the effects of both issues, and show
how using a Bayesian neural network framework for training SBI can mitigate
biases, and result in more reliable inference outside the training set. We
introduce cosmoSWAG, the first application of Stochastic Weight Averaging to
cosmology, and apply it to SBI trained for inference on the cosmic microwave
background.
- Abstract(参考訳): シミュレーションベース推論(SBI)は、宇宙調査におけるデータ分析の標準機械学習技術として急速に確立しつつある。
学習モデルによる密度推定の質は継続的に改善されているが、そのような手法の実際のデータへの応用は、トレーニング分布から遠く離れたニューラルネットワークの一般化力に完全に依存している。
科学者によるシミュレーションの不完全さと、可能なパラメータの組み合わせを全て生成する膨大な計算コストのため、宇宙論におけるSBI法はそのような一般化問題に対して脆弱である。
本稿では,両問題の影響について考察し,sbiトレーニングのためのベイズ型ニューラルネットワークフレームワークを用いてバイアスを軽減し,トレーニングセット外の信頼性の高い推論を行う方法を示す。
宇宙生物学へのStochastic Weight Averagingの最初の応用であるcosmoSWAGを導入し、宇宙マイクロ波背景の推測のために訓練されたSBIに適用する。
関連論文リスト
- Information Bottleneck Analysis of Deep Neural Networks via Lossy
Compression [55.41644538483948]
Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。
本稿では,一般NNのICB解析のための包括的フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-13T21:44:32Z) - Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。
永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文 参考訳(メタデータ) (2022-12-28T18:03:41Z) - Field Level Neural Network Emulator for Cosmological N-body Simulations [7.051595217991437]
非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築した。
我々は、2つの畳み込みニューラルネットワークを用いて、N体シミュレーション粒子の非線形変位と速度を出力する。
論文 参考訳(メタデータ) (2022-06-09T16:21:57Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳(メタデータ) (2022-04-16T08:08:29Z) - An Information-Theoretic Framework for Supervised Learning [22.280001450122175]
後悔とサンプルの複雑さという独自の概念を持つ新しい情報理論フレームワークを提案する。
本稿では、ReLUアクティベーションユニットを用いたディープニューラルネットワークによって生成されたデータから学習する際のサンプルの複雑さについて検討する。
我々は、ランダムな単層ニューラルネットワークの実験的な解析により、理論結果を裏付けることで結論付ける。
論文 参考訳(メタデータ) (2022-03-01T05:58:28Z) - Constraining cosmological parameters from N-body simulations with
Bayesian Neural Networks [0.0]
我々は、ベイジアンニューラルネットワークを通して宇宙パラメータを抽出するために、The Quijoteシミュレーションを使用する。
この種のモデルには、関連する不確実性を推定する顕著な能力があり、これは精密宇宙論の時代における最終的な目標の1つである。
論文 参考訳(メタデータ) (2021-12-22T13:22:30Z) - FEM-based Real-Time Simulations of Large Deformations with Probabilistic
Deep Learning [1.2617078020344616]
負荷下での超弾性体の応答を予測できる高効率なディープラーニングサロゲートフレームワークを提案する。
このフレームワークは、特殊な畳み込みニューラルネットワークアーキテクチャ(いわゆるU-Net)の形式を採っている。
論文 参考訳(メタデータ) (2021-11-02T20:05:22Z) - Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。
学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。
さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文 参考訳(メタデータ) (2021-06-15T05:30:17Z) - GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。
GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
論文 参考訳(メタデータ) (2020-06-26T05:47:45Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳(メタデータ) (2020-06-15T08:23:20Z)
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。