Fugu-MT 論文翻訳(概要): Learning from Topology: Cosmological Parameter Estimation from the Large-scale Structure

論文の概要: Learning from Topology: Cosmological Parameter Estimation from the Large-scale Structure

arxiv url: http://arxiv.org/abs/2308.02636v1
Date: Fri, 4 Aug 2023 18:00:02 GMT
ステータス: 処理完了
システム内更新日: 2023-08-08 19:27:40.967204
Title: Learning from Topology: Cosmological Parameter Estimation from the Large-scale Structure
Title（参考訳）: トポロジーから学ぶ:大規模構造からの宇宙論的パラメータ推定
Authors: Jacky H. T. Yip, Adam Rouhiainen, Gary Shiu
Abstract要約: 本稿では、永続画像を宇宙パラメータにマッピングするニューラルネットワークモデルを提案する。我々のモデルは正確で正確な推定を行い、従来のベイズ推定手法よりもかなり優れている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The topology of the large-scale structure of the universe contains valuable information on the underlying cosmological parameters. While persistent homology can extract this topological information, the optimal method for parameter estimation from the tool remains an open question. To address this, we propose a neural network model to map persistence images to cosmological parameters. Through a parameter recovery test, we demonstrate that our model makes accurate and precise estimates, considerably outperforming conventional Bayesian inference approaches.
Abstract（参考訳）: 宇宙の大規模構造のトポロジーは、基礎となる宇宙学的パラメータに関する貴重な情報を含んでいる。永続ホモロジーは、この位相情報を抽出することができるが、ツールからパラメータ推定の最適な方法は、未解決のままである。そこで本稿では,永続画像を宇宙パラメータにマッピングするニューラルネットワークモデルを提案する。パラメータリカバリテストを通じて,従来のベイズ推定法をかなり上回る精度で正確な推定を行うことを示す。

関連論文リスト

(Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。我々の計量は、生成距離と生成測地学の概念的定義に繋がる。彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文参考訳（メタデータ） (2024-07-15T21:14:02Z)
Estimation of spatio-temporal extremes via generative neural networks [0.0]
利用可能なデータが少ない空間的極端を解析するための統一的なアプローチを提供する。生成ニューラルネットワークの最近の発展を活用して、完全なサンプルベースの分布を予測する。提案手法は,複数のシミュレーションされた最大安定過程を適合させて検証し,高精度なアプローチを示す。
論文参考訳（メタデータ） (2024-07-11T16:57:17Z)
Cosmological Field Emulation and Parameter Inference with Diffusion Models [2.3020018305241337]
宇宙論において重要な2つの課題に対処するために拡散生成モデルを利用する。シミュレーション対象分布と整合したパワースペクトルを持つフィールドを生成できることを示す。さらに,パラメータ推論モデルとしての有用性を探求し,宇宙論的パラメータの厳密な制約を求める。
論文参考訳（メタデータ） (2023-12-12T18:58:42Z)
Should We Learn Most Likely Functions or Parameters? [51.133793272222874]
モデルとデータによって示唆される最も可能性の高い関数を直接推定する利点と欠点について検討する。関数空間MAP推定は, より平坦な最小化, 一般化, オーバーフィッティングの改善につながる可能性がある。
論文参考訳（メタデータ） (2023-11-27T16:39:55Z)
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)
Constraining cosmological parameters from N-body simulations with Bayesian Neural Networks [0.0]
我々は、ベイジアンニューラルネットワークを通して宇宙パラメータを抽出するために、The Quijoteシミュレーションを使用する。この種のモデルには、関連する不確実性を推定する顕著な能力があり、これは精密宇宙論の時代における最終的な目標の1つである。
論文参考訳（メタデータ） (2021-12-22T13:22:30Z)
Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference [7.888755225607877]
本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
論文参考訳（メタデータ） (2021-10-01T14:35:46Z)
Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文参考訳（メタデータ） (2021-06-01T19:19:49Z)
Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文参考訳（メタデータ） (2021-02-12T12:23:13Z)
On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文参考訳（メタデータ） (2020-10-06T11:47:20Z)
A Geometric Modeling of Occam's Razor in Deep Learning [8.007631014276896]
ディープニューラルネットワーク(DNN)は、非常に高次元のパラメータ空間の恩恵を受ける。彼らの巨大なパラメータの複雑さと実践上の素晴らしいパフォーマンスは、より興味深く、説明できないものです。本稿では,この現象を研究するための幾何学的フレーバー付き情報理論手法を提案する。
論文参考訳（メタデータ） (2019-05-27T07:57:26Z)

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。