論文の概要: Kernel-, mean- and noise-marginalised Gaussian processes for exoplanet
transits and $H_0$ inference
- arxiv url: http://arxiv.org/abs/2311.04153v1
- Date: Tue, 7 Nov 2023 17:31:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 14:33:04.943440
- Title: Kernel-, mean- and noise-marginalised Gaussian processes for exoplanet
transits and $H_0$ inference
- Title（参考訳）: 太陽系外惑星トランジットおよび$h_0$推論のためのカーネル、平均、ノイズマージ付きガウス過程
- Authors: Namu Kroupa, David Yallup, Will Handley and Michael Hobson
- Abstract要約: 完全にベイズ的アプローチを用いることで、ガウス過程の回帰は、カーネルの選択とカーネルハイパーパラメータに対するマージン化を含むように拡張される。
この手法は、太陽系外惑星のトランジット光曲線シミュレーションによる合成データについて検討した。
平均関数予測分布の不確実性は、カーネル選択の不確実性により増大した。
この手法は平均関数と雑音モデルとの差分化に拡張され、現在のハッブルパラメータの推測に適用された。
- 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: Using a fully Bayesian approach, Gaussian Process regression is extended to
include marginalisation over the kernel choice and kernel hyperparameters. In
addition, Bayesian model comparison via the evidence enables direct kernel
comparison. The calculation of the joint posterior was implemented with a
transdimensional sampler which simultaneously samples over the discrete kernel
choice and their hyperparameters by embedding these in a higher-dimensional
space, from which samples are taken using nested sampling. This method was
explored on synthetic data from exoplanet transit light curve simulations. The
true kernel was recovered in the low noise region while no kernel was preferred
for larger noise. Furthermore, inference of the physical exoplanet
hyperparameters was conducted. In the high noise region, either the bias in the
posteriors was removed, the posteriors were broadened or the accuracy of the
inference was increased. In addition, the uncertainty in mean function
predictive distribution increased due to the uncertainty in the kernel choice.
Subsequently, the method was extended to marginalisation over mean functions
and noise models and applied to the inference of the present-day Hubble
parameter, $H_0$, from real measurements of the Hubble parameter as a function
of redshift, derived from the cosmologically model-independent cosmic
chronometer and {\Lambda}CDM-dependent baryon acoustic oscillation
observations. The inferred $H_0$ values from the cosmic chronometers, baryon
acoustic oscillations and combined datasets are $H_0$ = 66$\pm$6 km/s/Mpc,
$H_0$ = 67$\pm$10 km/s/Mpc and $H_0$ = 69$\pm$6 km/s/Mpc, respectively. The
kernel posterior of the cosmic chronometers dataset prefers a non-stationary
linear kernel. Finally, the datasets are shown to be not in tension with
ln(R)=12.17$\pm$0.02.
- Abstract（参考訳）: 完全にベイズ的アプローチを用いて、ガウス過程の回帰は、カーネル選択とカーネルハイパーパラメータに対する限界化を含むように拡張される。
さらに、証拠によるベイズモデルの比較は直接カーネル比較を可能にする。
関節後方の計算は, 離散的カーネル選択とそれらのハイパーパラメータを同時にサンプリングし, 標本をネストサンプリングで採取した高次元空間に埋め込むトランス次元サンプリング器を用いて実施した。
この手法は、太陽系外惑星のトランジット光曲線シミュレーションによる合成データについて検討した。
真のカーネルは低ノイズ領域で回収されたが、大きなノイズに対してカーネルは好まなかった。
さらに,物理系外惑星ハイパーパラメーターの推定を行った。
高騒音域では, 後方のバイアスを除去し, 後方を拡幅し, 推定精度を高めた。
さらに,カーネル選択の不確実性により,平均関数予測分布の不確かさが増大した。
その後、平均関数とノイズモデル上の限界化に拡張され、宇宙論的にモデルに依存しない宇宙年代計と {\lambda}cdm依存のバリオン振動観測から得られたレッドシフト関数としてのハッブルパラメータの実測値から、現在のハッブルパラメータである$h_0$の推測に適用された。
宇宙クロノメーターから推定された$h_0$、バリオン音響振動、複合データセットはそれぞれ$h_0$ = 66$\pm$6 km/s/mpc、$h_0$ = 67$\pm$10 km/s/mpc、$h_0$ = 69$\pm$6 km/s/mpcである。
宇宙クロノメーターデータセットの後方のカーネルは、非定常線形カーネルを好む。
最後に、データセットはln(R)=12.17$\pm$0.02と緊張しない。
関連論文リスト
- Isolated pulsar population synthesis with simulation-based inference [0.0]
中性子星誕生特性とその動的・磁気進化をモデル化する枠組みを開発する。
次に、神経後部推定に焦点を当てたSBIアプローチに従い、パラメータの後部分布を推定するために深部ニューラルネットワークを訓練する。
我々のアプローチは、複雑な集団合成フレームワークに対する頑健な統計的推測への重要な一歩である。
論文 参考訳（メタデータ） (2023-12-22T17:19:53Z) - A Unified Framework for Uniform Signal Recovery in Nonlinear Generative
Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。
本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。
また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文 参考訳（メタデータ） (2023-09-25T17:54:19Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Augmenting astrophysical scaling relations with machine learning :
application to reducing the SZ flux-mass scatter [2.0223261087090303]
We study the Sunyaev-Zeldovich flux$-$cluster mass relation(Y_mathrmSZ-M$)
我々は、Y_mathrmSZ$とイオン化ガスの濃度を組み合わせたクラスター質量の新しいプロキシを求める。
以上の結果から,$c_mathrmgas$への依存は,外部よりも大きな散乱を示すクラスタのコアに関係していることが分かる。
論文 参考訳（メタデータ） (2022-01-04T19:00:01Z) - Random matrices in service of ML footprint: ternary random features with
no performance loss [55.30329197651178]
我々は、$bf K$ の固有スペクトルが$bf w$ の i.d. 成分の分布とは独立であることを示す。
3次ランダム特徴(TRF)と呼ばれる新しいランダム手法を提案する。
提案したランダムな特徴の計算には乗算が不要であり、古典的なランダムな特徴に比べてストレージに$b$のコストがかかる。
論文 参考訳（メタデータ） (2021-10-05T09:33:49Z) - Non-Parametric Estimation of Manifolds from Noisy Data [1.0152838128195467]
ノイズの多いサンプルの有限集合から$mathbbRD$の$d$次元部分多様体を推定する問題を検討する。
点推定では$n-frack2k + d$、接空間の推定では$n-frack-12k + d$の収束率を推定する。
論文 参考訳（メタデータ） (2021-05-11T02:29:33Z) - 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) - Linear Time Sinkhorn Divergences using Positive Features [51.50788603386766]
エントロピー正則化で最適な輸送を解くには、ベクトルに繰り返し適用される$ntimes n$ kernel matrixを計算する必要がある。
代わりに、$c(x,y)=-logdotpvarphi(x)varphi(y)$ ここで$varphi$は、地上空間から正のorthant $RRr_+$への写像であり、$rll n$である。
論文 参考訳（メタデータ） (2020-06-12T10:21:40Z) - A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian
Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。
この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
論文 参考訳（メタデータ） (2020-06-09T02:05:40Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z)
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。