論文の概要: Multiscale Flow for Robust and Optimal Cosmological Analysis
- arxiv url: http://arxiv.org/abs/2306.04689v2
- Date: Thu, 15 Feb 2024 00:55:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 23:59:41.762596
- Title: Multiscale Flow for Robust and Optimal Cosmological Analysis
- Title（参考訳）: ロバスト・最適宇宙解析のためのマルチスケール流れ
- Authors: Biwei Dai and Uros Seljak
- Abstract要約: マルチスケールフロー(Multiscale Flow)は、サンプルを作成し、2次元宇宙データの場レベル確率をモデル化する生成正規化フローである。
マルチスケールフローは,バリオン効果などのトレーニングデータにはない分布変化を識別できることを示す。
- 参考スコア（独自算出の注目度）: 7.977229957867868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Multiscale Flow, a generative Normalizing Flow that creates
samples and models the field-level likelihood of two-dimensional cosmological
data such as weak lensing. Multiscale Flow uses hierarchical decomposition of
cosmological fields via a wavelet basis, and then models different wavelet
components separately as Normalizing Flows. The log-likelihood of the original
cosmological field can be recovered by summing over the log-likelihood of each
wavelet term. This decomposition allows us to separate the information from
different scales and identify distribution shifts in the data such as unknown
scale-dependent systematics. The resulting likelihood analysis can not only
identify these types of systematics, but can also be made optimal, in the sense
that the Multiscale Flow can learn the full likelihood at the field without any
dimensionality reduction. We apply Multiscale Flow to weak lensing mock
datasets for cosmological inference, and show that it significantly outperforms
traditional summary statistics such as power spectrum and peak counts, as well
as novel Machine Learning based summary statistics such as scattering transform
and convolutional neural networks. We further show that Multiscale Flow is able
to identify distribution shifts not in the training data such as baryonic
effects. Finally, we demonstrate that Multiscale Flow can be used to generate
realistic samples of weak lensing data.
- Abstract（参考訳）: 弱レンズ化などの2次元宇宙データの場レベル確率をモデル化し,サンプルを生成する生成正規化フローであるMultiscale Flowを提案する。
マルチスケールフローはウェーブレットベースで宇宙場の階層的な分解を行い、次に異なるウェーブレット成分を正規化フローとしてモデル化する。
元の宇宙論場の対数様相は、各ウェーブレット項の対数様相を総和することで回復することができる。
この分解により、異なるスケールから情報を分離し、未知のスケール依存体系のようなデータ内の分布シフトを識別できる。
結果として生じる可能性分析は、これらの体系を識別できるだけでなく、マルチスケールフローが次元の減少を伴わずに現場で完全な可能性を学ぶことができるという意味で、最適にすることができる。
宇宙論的な推論のための弱レンズ化モックデータセットにマルチスケールフローを適用し、パワースペクトルやピーク数といった従来の要約統計と、散乱変換や畳み込みニューラルネットワークのような新しい機械学習に基づく要約統計を著しく上回ることを示す。
さらに,マルチスケールフローは,バリオン効果などのトレーニングデータにない分布変化を識別できることを示す。
最後に、マルチスケールフローを用いて、弱いレンズデータの現実的なサンプルを生成することを実証する。
関連論文リスト
- Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。
入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
論文 参考訳（メタデータ） (2024-10-07T23:53:25Z) - A Phase Transition in Diffusion Models Reveals the Hierarchical Nature
of Data [55.748186000425996]
最近の進歩は、拡散モデルが高品質な画像を生成することを示している。
我々はこの現象を階層的なデータ生成モデルで研究する。
本分析は拡散モデルにおける時間とスケールの関係を特徴付ける。
論文 参考訳（メタデータ） (2024-02-26T19:52:33Z) - Unpaired Downscaling of Fluid Flows with Diffusion Bridges [0.0]
ドメイン翻訳に使用する2つの独立条件拡散モデルをどのように連鎖させるかを示す。
結果として得られる変換は、低解像度と高解像度データセットの間の拡散ブリッジである。
本手法は, 物理流体シミュレーションにおいて, 分解能を高め, 文脈依存バイアスを補正することを示した。
論文 参考訳（メタデータ） (2023-05-02T23:13:44Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳（メタデータ） (2022-08-18T16:07:59Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳（メタデータ） (2022-03-08T08:57:43Z) - Translation and Rotation Equivariant Normalizing Flow (TRENF) for
Optimal Cosmological Analysis [7.6146285961466]
我々の宇宙は均質で等方的であり、その摂動は翻訳と回転対称性に従う。
我々はこれらの対称性を明示的に組み込んだ生成正規化フローモデルを開発した。
TRENF はラベル y の関数として高次元データの可能性 p(x|y) に直接アクセスする。
論文 参考訳（メタデータ） (2022-02-10T19:00:03Z) - A graph representation based on fluid diffusion model for multimodal
data analysis: theoretical aspects and enhanced community detection [14.601444144225875]
流体拡散に基づくグラフ定義の新しいモデルを提案する。
本手法は,マルチモーダルデータ解析において,コミュニティ検出のための最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-12-07T16:30:03Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳（メタデータ） (2021-07-24T14:47:22Z) - Flows for simultaneous manifold learning and density estimation [12.451050883955071]
多様体学習フロー(M-flow)は、多様体構造を持つデータセットをより忠実に表現する。
M-フローはデータ多様体を学習し、周囲のデータ空間の標準フローよりも優れた推論を可能にする。
論文 参考訳（メタデータ） (2020-03-31T02:07:48Z) - Closing the Dequantization Gap: PixelCNN as a Single-Layer Flow [16.41460104376002]
有限体積を変換し、離散データに対する確率の正確な計算を可能にするサブセットフローを導入する。
我々は、WaveNets、PixelCNNs、Transformersを含む通常の離散自己回帰モデルを単層フローとして識別する。
我々は, CIFAR-10 を用いて, 脱量子化を訓練した流れモデルについて, 実測結果を示す。
論文 参考訳（メタデータ） (2020-02-06T22:58:51Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳（メタデータ） (2019-12-30T17:36:33Z)
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。