論文の概要: Automated discovery of interpretable gravitational-wave population
models
- arxiv url: http://arxiv.org/abs/2207.12409v1
- Date: Mon, 25 Jul 2022 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:36:27.915304
- Title: Automated discovery of interpretable gravitational-wave population
models
- Title(参考訳): 解釈可能な重力波人口モデルの自動発見
- Authors: Kaze W.K Wong, Miles Cranmer
- Abstract要約: データから重力波(GW)イベントの解析的集団モデルを発見するための自動アプローチを提案する。
我々は,パワーロープラスガウシアンなどの一般的なGW人口モデルを復元し,精度と単純さを組み合わせた新しい経験的人口モデルを求める。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an automatic approach to discover analytic population models for
gravitational-wave (GW) events from data. As more gravitational-wave (GW)
events are detected, flexible models such as Gaussian Mixture Models have
become more important in fitting the distribution of GW properties due to their
expressivity. However, flexible models come with many parameters that lack
physical motivation, making interpreting the implication of these models
challenging. In this work, we demonstrate symbolic regression can complement
flexible models by distilling the posterior predictive distribution of such
flexible models into interpretable analytic expressions. We recover common GW
population models such as a power-law-plus-Gaussian, and find a new empirical
population model which combines accuracy and simplicity. This demonstrates a
strategy to automatically discover interpretable population models in the
ever-growing GW catalog, which can potentially be applied to other
astrophysical phenomena.
- Abstract(参考訳): データから重力波(GW)イベントの解析的集団モデルを発見するための自動アプローチを提案する。
重力波(GW)現象がより検出されるにつれて、ガウス混合モデルのようなフレキシブルモデルは、その表現性によってGW特性の分布に適合する上でより重要になっている。
しかし、柔軟なモデルは物理的動機付けを欠く多くのパラメータを持ち、これらのモデルの含意を解釈するのが困難である。
本研究では,このようなフレキシブルモデルの後方予測分布を解釈可能な解析式に蒸留することで,フレキシブルモデルを補完できることを示す。
我々は,パワーロープラスガウシアンなどの一般的なGW人口モデルを復元し,精度と単純さを組み合わせた新しい経験的人口モデルを求める。
これは、成長を続けるgwカタログで解釈可能な人口モデルを自動的に発見する戦略を示しており、他の天体物理学現象に適用できる可能性がある。
関連論文リスト
- Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data
Distribution [76.33705947080871]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳(メタデータ) (2023-10-25T17:59:12Z) - A proposal for a new kind of spontaneous collapse model [0.0]
固定時空座標における崩壊点の考え方に基づく非相対論的自然崩壊モデルを提案する。
GRWモデルと非常によく似た力学を導出すると同時に,不明瞭な粒子の問題を自然に解くことができることを示す。
本稿では,提案モデルがGRWモデルと概念的に類似した方法で測定問題を解く方法を示す。
論文 参考訳(メタデータ) (2023-08-08T17:25:24Z) - 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) - Volatility Based Kernels and Moving Average Means for Accurate
Forecasting with Gaussian Processes [36.712632126776285]
本稿では, ボラティリティモデルのクラスを, 特殊共分散関数を持つ階層型ガウス過程(GP)モデルとして再キャストする方法を示す。
このフレームワーク内では、よく研究されたドメインからインスピレーションを得て、ストックおよび風速予測においてベースラインを著しく上回る新しいモデルのVoltとMagpieを導入する。
論文 参考訳(メタデータ) (2022-07-13T23:02:54Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳(メタデータ) (2022-06-26T10:58:41Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - Robustness of Model Predictions under Extension [3.766702945560518]
分析にモデルを使うのに注意すべき点は、予測因果効果と条件独立性はモデル拡張の下では堅牢でないことである。
定性モデル予測のロバスト性を効率的に評価するために,因果順序付け手法の使い方を示す。
平衡の力学系では、新しい洞察が適切なモデル拡張を選択するのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2020-12-08T20:21:03Z) - Recurrent Conditional Heteroskedasticity [0.0]
本稿では,Recurrent Conditional Heteroskedastic(RECH)モデルと呼ばれる新たな金融変動モデルを提案する。
特に、リカレントニューラルネットワークが支配する補助的決定過程を、従来の条件付きヘテロスケダスティックモデルの条件分散に組み込む。
論文 参考訳(メタデータ) (2020-10-25T08:09:29Z) - A Bayesian machine scientist to aid in the solution of challenging
scientific problems [0.0]
ベイジアン・マシン・サイエンティストは、モデルよりも正確な辺縁後部への明示的な近似を用いてモデルの妥当性を確立する。
マルコフ連鎖モンテカルロを用いてモデル空間を探索する。
提案手法は,合成および実データの正確なモデルを明らかにし,既存の手法よりも高精度なサンプル外予測を提供する。
論文 参考訳(メタデータ) (2020-04-25T14:42:13Z)
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。