論文の概要: Neural Inference of Gaussian Processes for Time Series Data of Quasars
- arxiv url: http://arxiv.org/abs/2211.10305v1
- Date: Thu, 17 Nov 2022 13:01:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 15:54:16.852499
- Title: Neural Inference of Gaussian Processes for Time Series Data of Quasars
- Title（参考訳）: クエーサーの時系列データに対するガウス過程のニューラル推論
- Authors: Egor Danilov, Aleksandra \'Ciprijanovi\'c and Brian Nord
- Abstract要約: クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
- 参考スコア（独自算出の注目度）: 72.79083473275742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study of quasar light curves poses two problems: inference of the power
spectrum and interpolation of an irregularly sampled time series. A baseline
approach to these tasks is to interpolate a time series with a Damped Random
Walk (DRW) model, in which the spectrum is inferred using Maximum Likelihood
Estimation (MLE). However, the DRW model does not describe the smoothness of
the time series, and MLE faces many problems in terms of optimization and
numerical precision. In this work, we introduce a new stochastic model that we
call $\textit{Convolved Damped Random Walk}$ (CDRW). This model introduces a
concept of smoothness to a DRW, which enables it to describe quasar spectra
completely. We also introduce a new method of inference of Gaussian process
parameters, which we call $\textit{Neural Inference}$. This method uses the
powers of state-of-the-art neural networks to improve the conventional MLE
inference technique. In our experiments, the Neural Inference method results in
significant improvement over the baseline MLE (RMSE: $0.318 \rightarrow 0.205$,
$0.464 \rightarrow 0.444$). Moreover, the combination of both the CDRW model
and Neural Inference significantly outperforms the baseline DRW and MLE in
interpolating a typical quasar light curve ($\chi^2$: $0.333 \rightarrow
0.998$, $2.695 \rightarrow 0.981$). The code is published on GitHub.
- Abstract（参考訳）: クエーサー光曲線の研究は、パワースペクトルの推定と不規則にサンプリングされた時系列の補間という2つの問題を引き起こす。
これらのタスクに対するベースラインなアプローチは、最大確率推定(mle)を用いてスペクトルを推定するダンプランダムウォーク(drw)モデルで時系列を補間することである。
しかし、DRWモデルは時系列の滑らかさを記述せず、MLEは最適化と数値精度の点で多くの問題に直面している。
本稿では,新しい確率モデルを導入し,これを$\textit{Convolved Damped Random Walk}$ (CDRW)と呼ぶ。
このモデルはDRWに滑らかさの概念を導入し、クエーサースペクトルを完全に記述することができる。
また、ガウス過程パラメータの新たな推論法も導入し、これを$\textit{neural inference}$と呼ぶ。
この手法は最先端ニューラルネットワークのパワーを利用して従来のmle推論技術を改善する。
実験の結果,Neural Inference法はベースラインMLE (RMSE: $0.318 \rightarrow 0.205$, $0.464 \rightarrow 0.444$) を大幅に改善した。
さらに、CDRWモデルとニューラル推論の組み合わせは、典型的なクエーサー光曲線(\chi^2$:$0.333 \rightarrow 0.998$, $2.695 \rightarrow 0.981$)を補間する際に、ベースラインDRWとMLEを著しく上回る。
コードはGitHubで公開されている。
関連論文リスト
- Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - Kernel-, mean- and noise-marginalised Gaussian processes for exoplanet
transits and $H_0$ inference [0.0]
太陽系外惑星トランジット光曲線シミュレーションの合成データを用いてカーネル回収と平均関数推定を行った。
この手法は平均関数と雑音モデルに対して限界化に拡張された。
宇宙クロノメーターデータセットの核後部は非定常線形核を好む。
論文 参考訳（メタデータ） (2023-11-07T17:31:01Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Minimax Optimal Quantization of Linear Models: Information-Theoretic
Limits and Efficient Algorithms [59.724977092582535]
測定から学習した線形モデルの定量化の問題を考える。
この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。
本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
論文 参考訳（メタデータ） (2022-02-23T02:39:04Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Analysis of One-Hidden-Layer Neural Networks via the Resolvent Method [0.0]
ランダムニューラルネットワークによって動機づけられた確率行列 $M = Y Yast$ と $Y = f(WX)$ を考える。
制限スペクトル分布のStieltjes変換は、いくつかの誤差項まで準自己整合方程式を満たすことを証明している。
さらに、前回の結果を加法バイアス $Y=f(WX+B)$ の場合に拡張し、$B$ は独立なランク1のガウス確率行列である。
論文 参考訳（メタデータ） (2021-05-11T15:17:39Z) - Estimating Stochastic Linear Combination of Non-linear Regressions
Efficiently and Scalably [23.372021234032363]
サブサンプルサイズが大きくなると、推定誤差が過度に犠牲になることを示す。
私たちの知る限りでは、線形テキスト+確率モデルが保証される最初の研究です。
論文 参考訳（メタデータ） (2020-10-19T07:15:38Z) - Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。
i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文 参考訳（メタデータ） (2020-07-16T06:44:44Z) - Tight Nonparametric Convergence Rates for Stochastic Gradient Descent
under the Noiseless Linear Model [0.0]
このモデルに基づく最小二乗リスクに対する1パス, 固定段差勾配勾配の収束度を解析した。
特殊な場合として、ランダムなサンプリング点における値のノイズのない観測から単位区間上の実関数を推定するオンラインアルゴリズムを解析する。
論文 参考訳（メタデータ） (2020-06-15T08:25:50Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳（メタデータ） (2020-02-18T15:44:04Z)
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。