論文の概要: Inferring subhalo effective density slopes from strong lensing observations with neural likelihood-ratio estimation

• arxiv url: http://arxiv.org/abs/2208.13796v1
• Date: Mon, 29 Aug 2022 18:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:43:32.499720
• Title: Inferring subhalo effective density slopes from strong lensing observations with neural likelihood-ratio estimation
• Title（参考訳）: ニューラルネットワークを用いた強レンズ観察によるサブハロ有効密度勾配の推定
• Authors: Gemma Zhang, Siddharth Mishra-Sharma, Cora Dvorkin
• Abstract要約: 強い重力レンズは、銀河以下のスケールでダークマターモデルを探索するための有望なアプローチとして現れている。 近年の研究では、一般的に用いられるサブハロ質量関数よりも信頼性の高いサブハロ有効密度勾配が提案されている。 本研究では, サブハロの個体群に有効な密度勾配を推定する神経電位比推定器を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Strong gravitational lensing has emerged as a promising approach for probing dark matter models on sub-galactic scales. Recent work has proposed the subhalo effective density slope as a more reliable observable than the commonly used subhalo mass function. The subhalo effective density slope is a measurement independent of assumptions about the underlying density profile and can be inferred for individual subhalos through traditional sampling methods. To go beyond individual subhalo measurements, we leverage recent advances in machine learning and introduce a neural likelihood-ratio estimator to infer an effective density slope for populations of subhalos. We demonstrate that our method is capable of harnessing the statistical power of multiple subhalos (within and across multiple images) to distinguish between characteristics of different subhalo populations. The computational efficiency warranted by the neural likelihood-ratio estimator over traditional sampling enables statistical studies of dark matter perturbers and is particularly useful as we expect an influx of strong lensing systems from upcoming surveys.
• Abstract（参考訳）: 強い重力レンズは、銀河系スケールでダークマターモデルを発見するための有望なアプローチとして現れてきた。 近年の研究では、一般的に用いられるサブハロ質量関数よりも信頼性の高いサブハロ有効密度勾配が提案されている。 サブハロ有効密度勾配は、基礎となる密度分布の仮定とは無関係に測定され、従来のサンプリング手法により個々のサブハロに対して推定できる。 個別のサブハロ測定を超えるために、機械学習の最近の進歩を活用し、サブハロの人口に対して効果的な密度勾配を推定する神経電位比推定器を導入する。 本手法は,複数のサブハロ群の特徴を識別するために,複数のサブハロ群(および複数の画像を含む)の統計力を活用できることを実証する。 従来のサンプリングに対するニューラルチャンス比推定器によって保証される計算効率は、暗黒物質摂動の統計的研究を可能にし、今後の調査から強力なレンズシステムの流入を期待する上で特に有用である。

関連論文リスト

• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• DensePure: Understanding Diffusion Models towards Adversarial Robustness [110.84015494617528]
  拡散モデルの特性を解析し,それらが証明された堅牢性を高める条件を確立する。 事前訓練されたモデル(すなわち分類器)の信頼性向上を目的とした新しいDensePure法を提案する。 このロバストな領域は多重凸集合の和であり、以前の研究で特定されたロバストな領域よりもはるかに大きい可能性が示されている。
  論文  参考訳（メタデータ） (2022-11-01T08:18:07Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• Normalizing Flows for Interventional Density Estimation [18.640006398066188]
  我々は、インターベンショナル正規化フローと呼ばれる、新しい完全にパラメトリックなディープラーニング手法を提案する。 2つの正規化フロー,すなわち (i) ニュアンスパラメータを推定するためのニュアンスフロー, (ii) 潜在結果の密度をパラメトリックに推定するターゲットフローを組み合わせる。
  論文  参考訳（メタデータ） (2022-09-13T17:56:13Z)
• An optimal transport approach for selecting a representative subsample with application in efficient kernel density estimation [21.632131776088084]
  サブサンプリング手法は、観察されたサンプルのサロゲートとしてサブサンプルを選択することを目的としている。 既存のモデルフリーのサブサンプリングメソッドは通常、クラスタリング技術やカーネルのトリックに基づいて構築される。 最適な輸送手法を用いたモデルフリーサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-31T05:19:29Z)
• A Non-Classical Parameterization for Density Estimation Using Sample Moments [0.0]
  サンプルモーメントを用いた密度推定のための非古典的パラメトリゼーションを提案する。 提案した推定器は、任意の偶数列までのパワーモーメントがサンプルモーメントと正確に一致する文献で最初のものである。
  論文  参考訳（メタデータ） (2022-01-13T04:28:52Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Towards constraining warm dark matter with stellar streams through neural simulation-based inference [7.608718235345664]
  Amortized Approximate Likelihood Ratios (AALR) に基づく確率自由ベイズ推論パイプラインを導入する。 本手法は、暗黒物質サブハローによってのみ恒星の流れが摂動される単純化された場合に適用する。
  論文  参考訳（メタデータ） (2020-11-30T15:53:43Z)
• Imitation with Neural Density Models [98.34503611309256]
  本稿では,Imitation Occupancy Entropy Reinforcement Learning (RL) を報奨として,専門家の占有率の密度推定によるImitation Learning (IL) の新しい枠組みを提案する。 提案手法は,専門家の占有率と模倣者の占有率の逆Kulback-Leibler偏差を確実に低くする非逆モデル自由RLの目的を最大化する。
  論文  参考訳（メタデータ） (2020-10-19T19:38:36Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• Anomaly Detection with Density Estimation [2.0813318162800707]
  我々は新しい教師なし異常検出手法(ANODE)を提案する。 信号領域およびサイドバンドにおけるデータの確率密度を推定することにより、データとバックグラウンドとの確率比を構築することができる。 ANODEは信号領域とサイドバンドの体系的な違いに対して堅牢であり、他の方法よりも広い適用性を与えている。
  論文  参考訳（メタデータ） (2020-01-14T19:00:02Z)

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。