論文の概要: Monte Carlo Techniques for Addressing Large Errors and Missing Data in
Simulation-based Inference
- arxiv url: http://arxiv.org/abs/2211.03747v1
- Date: Mon, 7 Nov 2022 18:19:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 19:30:54.460503
- Title: Monte Carlo Techniques for Addressing Large Errors and Missing Data in
Simulation-based Inference
- Title(参考訳): シミュレーションに基づく推論における大規模誤差とミスデータに対処するモンテカルロ手法
- Authors: Bingjie Wang, Joel Leja, Ashley Villar, Joshua S. Speagle
- Abstract要約: 銀河の光からパラメータを推測する現在のツールは、1つにつき10ドルかかる。
標準SBIツールを用いて,分布外測定誤差と欠落データを扱うモンテカルロ法を提案する。
- 参考スコア(独自算出の注目度): 0.40964539027092917
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Upcoming astronomical surveys will observe billions of galaxies across cosmic
time, providing a unique opportunity to map the many pathways of galaxy
assembly to an incredibly high resolution. However, the huge amount of data
also poses an immediate computational challenge: current tools for inferring
parameters from the light of galaxies take $\gtrsim 10$ hours per fit. This is
prohibitively expensive. Simulation-based Inference (SBI) is a promising
solution. However, it requires simulated data with identical characteristics to
the observed data, whereas real astronomical surveys are often highly
heterogeneous, with missing observations and variable uncertainties determined
by sky and telescope conditions. Here we present a Monte Carlo technique for
treating out-of-distribution measurement errors and missing data using standard
SBI tools. We show that out-of-distribution measurement errors can be
approximated by using standard SBI evaluations, and that missing data can be
marginalized over using SBI evaluations over nearby data realizations in the
training set. While these techniques slow the inference process from $\sim 1$
sec to $\sim 1.5$ min per object, this is still significantly faster than
standard approaches while also dramatically expanding the applicability of SBI.
This expanded regime has broad implications for future applications to
astronomical surveys.
- Abstract(参考訳): これからの天文学的な調査は、数十億の銀河を宇宙時間にわたって観測し、銀河集合の多くの経路を驚くほど高解像度にマッピングするユニークな機会を提供する。
銀河の光からパラメータを推測する現在のツールは、適合するのに1時間あたり$\gtrsim 10$である。
これは必然的に高価です。
シミュレーションベースの推論(SBI)は有望なソリューションである。
しかし、観測データと同一の特性を持つシミュレーションデータが必要であり、実際の天文学調査は観測が欠如しており、空と望遠鏡の条件によって不確実性が決定されるため、非常に不均一であることが多い。
本稿では,標準SBIツールを用いて分布外測定誤差と欠落データを扱うモンテカルロ法を提案する。
本研究では, 標準SBI評価を用いて, 分布外測定誤差を近似することができ, トレーニングセット内の近傍データ実現よりも, SBI評価を用いて欠落データをマージできることを示す。
これらのテクニックは推論プロセスを$\sim 1$ sec から $\sim 1.5$ min に遅くするが、それでも標準アプローチよりもはるかに高速でありながら、SBIの適用性を劇的に拡張している。
この拡張された体制は将来の天文学的な調査に幅広い意味を持つ。
関連論文リスト
- SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering [2.3988372195566443]
本稿では、銀河団のフィールドレベル解析から、宇宙パラメータの最初のシミュレーションベース推論(SBI)を提案する。
重み付き畳み込みニューラルネットワークを用いて、BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し、銀河場の大規模データ圧縮を行う。
この研究は、競合する宇宙学の制約を提示するだけでなく、DESI、PSS、ユークリッドのような今後の銀河調査で追加の宇宙学情報を活用する新しい手法も導入している。
論文 参考訳(メタデータ) (2023-10-23T18:05:32Z) - Generalized Bayesian Inference for Scientific Simulators via Amortized
Cost Estimation [11.375835331641548]
ニューラルネットワークをトレーニングしてコスト関数を近似し、パラメータと観測データとの予測距離と定義する。
いくつかのベンチマークタスクにおいて、ACEはコストを正確に予測し、他のSBI法よりも合成観測に近い予測シミュレーションを提供する。
論文 参考訳(メタデータ) (2023-05-24T14:45:03Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳(メタデータ) (2022-11-22T15:35:05Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳(メタデータ) (2022-04-24T15:23:25Z) - Combining Pseudo-Point and State Space Approximations for Sum-Separable
Gaussian Processes [48.64129867897491]
我々は,擬似点法と状態空間GP近似フレームワークを組み合わせて両世界の長所を得る,シンプルでエレガントな方法が存在することを示す。
組み合わせたアプローチは、どちらの方法よりも拡張性が高く、時間的問題にも適用可能であることを実証する。
論文 参考訳(メタデータ) (2021-06-18T16:30:09Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳(メタデータ) (2021-04-08T08:50:44Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳(メタデータ) (2020-11-24T22:51:08Z) - Quasar Detection using Linear Support Vector Machine with Learning From
Mistakes Methodology [0.0]
超大質量ブラックホールが光の降着円盤に囲まれている非常に明るい物体であるクエーサーを検出するために、LSVM(Linear Support Vector Machine)を探索した。
LSVMとEnsemble Bagged Trees (EBT)はFalse Negative Rateの10倍の低下を示した。
論文 参考訳(メタデータ) (2020-10-01T13:41:51Z) - SBI -- A toolkit for simulation-based inference [0.0]
シミュレーションベースの推論 (SBI) は、a) が先行知識と互換性があり、b) が経験的観察と一致するパラメータ集合を識別しようとする。
ニューラルネットワークに基づくSBIアルゴリズムを実装したPyTorchベースのパッケージであるtextttsbi$を提示する。
論文 参考訳(メタデータ) (2020-07-17T16:53:51Z) - Fast Bayesian Estimation of Spatial Count Data Models [0.0]
シミュレーション問題ではなく最適化問題として変分ベイズ(VB)を導入する。
VB法は、観測されていないパラメータと空間依存性を持つ負二項モデルにおける後部推論のために導出される。
VBアプローチは、シミュレーションと経験的研究において、通常の8コアプロセッサ上でのMCMCの約45倍から50倍高速である。
論文 参考訳(メタデータ) (2020-07-07T10:24:45Z)
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。