論文の概要: Adapting to noise distribution shifts in flow-based gravitational-wave
inference
- arxiv url: http://arxiv.org/abs/2211.08801v1
- Date: Wed, 16 Nov 2022 09:56:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 17:00:33.677669
- Title: Adapting to noise distribution shifts in flow-based gravitational-wave
inference
- Title(参考訳): フローベース重力波推論における雑音分布変化への適応
- Authors: Jonas Wildberger, Maximilian Dax, Stephen R. Green, Jonathan Gair,
Michael P\"urrer, Jakob H. Macke, Alessandra Buonanno, Bernhard Sch\"olkopf
- Abstract要約: 本研究では, 条件付きデータの流れを発生させることにより, 償却推論の方法を示す。
我々は、この手法が重力波の低遅延解析にディープラーニング技術を利用するための重要な要素になることを期待している。
- 参考スコア(独自算出の注目度): 59.040209568168436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning techniques for gravitational-wave parameter estimation have
emerged as a fast alternative to standard samplers $\unicode{x2013}$ producing
results of comparable accuracy. These approaches (e.g., DINGO) enable amortized
inference by training a normalizing flow to represent the Bayesian posterior
conditional on observed data. By conditioning also on the noise power spectral
density (PSD) they can even account for changing detector characteristics.
However, training such networks requires knowing in advance the distribution of
PSDs expected to be observed, and therefore can only take place once all data
to be analyzed have been gathered. Here, we develop a probabilistic model to
forecast future PSDs, greatly increasing the temporal scope of DINGO networks.
Using PSDs from the second LIGO-Virgo observing run (O2) $\unicode{x2013}$ plus
just a single PSD from the beginning of the third (O3) $\unicode{x2013}$ we
show that we can train a DINGO network to perform accurate inference throughout
O3 (on 37 real events). We therefore expect this approach to be a key component
to enable the use of deep learning techniques for low-latency analyses of
gravitational waves.
- Abstract(参考訳): 重力波パラメータ推定のためのディープラーニング技術は、標準サンプリングの高速な代替として、$\unicode{x2013}$で同等の精度で結果を生成する。
これらのアプローチ(例:dingo)は、観測データ上でベイズ後条件を表す正規化フローを訓練することで、償却推論を可能にする。
ノイズパワースペクトル密度(PSD)も条件付けすることで、検出器の特性の変化も考慮できる。
しかし、そのようなネットワークのトレーニングには、観測されるpsdの分布を事前に知る必要があるため、分析対象のすべてのデータが収集された場合にのみ行われる。
本稿では,将来のpsd予測のための確率モデルを構築し,dingoネットワークの時間的スコープを大きく向上させる。
第2のLIGO-Virgo観測実行(O2) $\unicode{x2013}$と第3の(O3) $\unicode{x2013}$から1つのPSDを使用すると、O3(37の実イベント)を通して正確な推論を実行するためにINGOネットワークをトレーニングできることが分かります。
そこで我々は,この手法が重力波の低遅延解析に深層学習技術を活用する上で重要な要素となることを期待している。
関連論文リスト
- Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - DDP: Diffusion Model for Dense Visual Prediction [71.55770562024782]
本研究では,条件付き拡散パイプラインに基づく高密度視覚予測のための,シンプルで効率的かつ強力なフレームワークを提案する。
DDPと呼ばれるこの手法は、デノナイジング拡散過程を現代の知覚パイプラインに効率的に拡張する。
DDPは、従来の単段階識別法とは対照的に、動的推論や不確実性認識などの魅力的な特性を示す。
論文 参考訳(メタデータ) (2023-03-30T17:26:50Z) - Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。
まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。
センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
論文 参考訳(メタデータ) (2023-02-24T22:14:39Z) - Do Bayesian Variational Autoencoders Know What They Don't Know? [0.6091702876917279]
OoD(Out-of-Distribution)入力を検出する問題は、ディープニューラルネットワークにとって最重要課題である。
入力の密度を推定できる深部生成モデルでさえ、信頼できない可能性があることが以前に示されている。
本稿では,マルコフ連鎖モンテカルロ,バックプロパゲーションによるベイズ勾配,およびウェイト平均ガウスの3つの推論手法について検討する。
論文 参考訳(メタデータ) (2022-12-29T11:48:01Z) - Monocular Depth Estimation Primed by Salient Point Detection and
Normalized Hessian Loss [43.950140695759764]
本稿では,単眼深度推定のための高精度で軽量なフレームワークを提案する。
深度方向のスケーリングとせん断に不変な正規化ヘッセン損失項を導入し,精度を著しく向上させることを示した。
提案手法は,NYU-Depth-v2 と KITTI の3.1-38.4 倍小さいモデルを用いて,ベースライン手法よりもパラメータ数が多い場合の最先端結果を実現する。
論文 参考訳(メタデータ) (2021-08-25T07:51:09Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳(メタデータ) (2021-06-23T18:00:05Z) - Learning the solution operator of parametric partial differential
equations with physics-informed DeepOnets [0.0]
ディープ作用素ネットワーク(DeepONets)は、無限次元バナッハ空間間の非線形作用素を近似する実証能力によって注目されている。
DeepOnetモデルの出力をバイアスする効果的な正規化メカニズムを導入し、物理整合性を確保する新しいモデルクラスを提案する。
我々は,このシンプルかつ極めて効果的な拡張が,DeepOnetsの予測精度を大幅に向上するだけでなく,大規模なトレーニングデータセットの必要性を大幅に低減できることを示した。
論文 参考訳(メタデータ) (2021-03-19T18:15:42Z) - Complete parameter inference for GW150914 using deep learning [0.0]
LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。
検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。
本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
論文 参考訳(メタデータ) (2020-08-07T18:00:02Z) - Inverting the Pose Forecasting Pipeline with SPF2: Sequential Pointcloud
Forecasting for Sequential Pose Forecasting [106.3504366501894]
自動運転車やロボット操作システムは、オブジェクトを最初に検出して追跡することによって、将来のオブジェクトのポーズを予測することが多い。
ポーズ予測アルゴリズムは通常、オブジェクトのポーズのラベル付きシーケンスを必要とするため、このパイプラインはスケールするのに費用がかかる。
本稿では,まず3次元センサデータを予測し,予測点雲列上の物体を検知・追跡し,将来的なポーズを求めることを提案する。
これにより、センサーデータ予測タスクにラベルが不要であるため、予測のスケールが難しくなる。
論文 参考訳(メタデータ) (2020-03-18T17:54:28Z) - Generalized ODIN: Detecting Out-of-distribution Image without Learning
from Out-of-distribution Data [87.61504710345528]
我々は,OoD検出性能を改善しつつ,ニューラルネットワークをOoDデータのチューニングから解放する2つの方法を提案する。
具体的には、信頼性スコアリングと修正された入力前処理法を分離することを提案する。
大規模画像データセットのさらなる解析により、セマンティックシフトと非セマンティックシフトの2種類の分布シフトが有意な差を示すことが示された。
論文 参考訳(メタデータ) (2020-02-26T04:18:25Z)
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。