論文の概要: Uncertainty Quantification of the Virial Black Hole Mass with Conformal
Prediction
- arxiv url: http://arxiv.org/abs/2307.04993v1
- Date: Tue, 11 Jul 2023 03:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-12 16:33:06.593949
- Title: Uncertainty Quantification of the Virial Black Hole Mass with Conformal
Prediction
- Title（参考訳）: 共形予測によるビリアルブラックホール質量の不確かさの定量化
- Authors: Suk Yee Yong and Cheng Soon Ong
- Abstract要約: 機械学習環境におけるブラックホール予測の不確かさを定量化するための量子化量子化回帰法の適用を提案する。
我々は,CQR法がブラックホール質量とその関連特性に適応する予測間隔を提供することを示す。
ニューラルネットワークモデルとCQRフレームワークを組み合わせることで、回復した仮想ブラックホール質量予測と不確実性は、Sloan Digital Sky Surveyで測定されたものと同等である。
- 参考スコア（独自算出の注目度）: 6.487663563916903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precise measurements of the black hole mass are essential to gain insight on
the black hole and host galaxy co-evolution. A direct measure of the black hole
mass is often restricted to nearest galaxies and instead, an indirect method
using the single-epoch virial black hole mass estimation is used for objects at
high redshifts. However, this method is subjected to biases and uncertainties
as it is reliant on the scaling relation from a small sample of local active
galactic nuclei. In this study, we propose the application of conformalised
quantile regression (CQR) to quantify the uncertainties of the black hole
predictions in a machine learning setting. We compare CQR with various
prediction interval techniques and demonstrated that CQR can provide a more
useful prediction interval indicator. In contrast to baseline approaches for
prediction interval estimation, we show that the CQR method provides prediction
intervals that adjust to the black hole mass and its related properties. That
is it yields a tighter constraint on the prediction interval (hence more
certain) for a larger black hole mass, and accordingly, bright and broad
spectral line width source. Using a combination of neural network model and CQR
framework, the recovered virial black hole mass predictions and uncertainties
are comparable to those measured from the Sloan Digital Sky Survey. The code is
publicly available at https://github.com/yongsukyee/uncertain_blackholemass.
- Abstract（参考訳）: ブラックホール質量の精密な測定は、ブラックホールと宿主銀河の共進化の洞察を得るために不可欠である。
ブラックホール質量の直接測定はしばしば最寄りの銀河に制限され、代わりに高赤方偏移の天体に対して、単周型ビリアルブラックホール質量推定を用いた間接的な方法が用いられる。
しかし、この手法は、局所的な活動銀河核の小さなサンプルからのスケーリング関係に依存するため、バイアスと不確実性を受ける。
本研究では,機械学習環境におけるブラックホール予測の不確かさを定量化するために,共形量子回帰(CQR)の適用を提案する。
我々はCQRを様々な予測区間技術と比較し、CQRがより有用な予測区間指標を提供できることを示した。
予測間隔推定のためのベースラインアプローチとは対照的に,CQR法はブラックホール質量とその関連特性に適応する予測間隔を提供する。
つまり、より大きなブラックホール質量の予測間隔(より確実な値)に厳密な制約を与え、従って、明るく広いスペクトル線幅の源となる。
ニューラルネットワークモデルとCQRフレームワークを組み合わせることで、回復した仮想ブラックホール質量予測と不確実性は、Sloan Digital Sky Surveyで測定されたものと同等である。
コードはhttps://github.com/yongsukyee/uncertain_blackholemass.comで公開されている。
関連論文リスト
- Inclusive reactions from finite Minkowski spacetime correlation functions [44.99833362998488]
任意のキネマティクスのための数ハドロン系の散乱振幅をリアルタイムに決定する。
理論の最も軽い質量の単位において、$mathcalO(10%)$内の実時間法を用いて振幅を制限するためには、時空体積は$mL sim mathcalO(10-102)$および$mTsim mathcalO(102-104)$を満たす必要がある。
論文 参考訳（メタデータ） (2024-06-11T01:39:24Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - Information Theoretical Approach to Detecting Quantum Gravitational
Corrections [0.0]
本研究では,Parikh-Wilczek形式から得られる確率分布のKulback-Leibler分散を計算する。
量子重力補正はブラックホールの質量が減少するにつれてクルバック・リーブラーの偏差を増大させる。
ある臨界値の後、ブラックホールの質量が減少するにつれて、量子重力補正が再び減少する傾向がある。
論文 参考訳（メタデータ） (2023-10-19T16:32:53Z) - 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) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳（メタデータ） (2022-07-07T17:55:26Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - AGNet: Weighing Black Holes with Deep Learning [2.4522011090845846]
超大質量ブラックホール (SMBHs) は、ほとんどの銀河の中心に自在に存在する。
従来の方法では、収集に費用がかかる分光データを必要とする。
準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-17T16:45:11Z) - Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。
我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。
我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
論文 参考訳（メタデータ） (2021-06-10T06:11:55Z) - Inferring Black Hole Properties from Astronomical Multivariate Time
Series with Bayesian Attentive Neural Processes [17.145373200662277]
本稿では,AGN時系列を再構成し,同時に後続確率密度分布を推定する手法を提案する。
この研究は、AGNの確率的時系列再構成とパラメータ推論をエンドツーエンドで扱う最初のものである。
論文 参考訳（メタデータ） (2021-06-02T20:17:31Z) - Constraining the Generalized Uncertainty Principle with the light
twisted by rotating black holes and M87* [0.0]
我々は、回転するブラックホールの近くに強い重力場が存在する場合、一般化ハイゼンベルクの不確実性原理の妥当性を検証した。
光の軌道角運動量スペクトルと一般化不確実性原理の定式化に必要な補正との関係を数値シミュレーションで調べる。
我々はM87*の実験データからより正確な限界を求め、一般相対性理論と互換性のあるシナリオの有効性を確認する。
論文 参考訳（メタデータ） (2021-03-25T11:06:55Z) - AGNet: Weighing Black Holes with Machine Learning [2.598391092244943]
超大質量ブラックホール(SMBHs)は、ほとんどの銀河の中心に自在に存在する。
従来の手法では、収集に費用がかかるスペクトルデータが必要である。
準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-30T18:30:24Z)
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。