論文の概要: Impact of PSF misestimation and galaxy population bias on precision
shear measurement using a CNN
- arxiv url: http://arxiv.org/abs/2402.02578v1
- Date: Sun, 4 Feb 2024 18:06:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 18:49:21.109708
- Title: Impact of PSF misestimation and galaxy population bias on precision
shear measurement using a CNN
- Title（参考訳）: CNNを用いた高精度せん断測定におけるPSF推定と銀河集団偏差の影響
- Authors: Lisa Voigt
- Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)の高精度せん断推定への応用について検討する。
我々は、ノイズの多い円盤と楕円銀河の人口をシミュレートし、ユークリッドのようなサーベイを表すPSFを採用する。
推定されたせん断値と真のせん断値との線形関係を仮定して,CNNが達成した精度を定量化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weak gravitational lensing of distant galaxies provides a powerful probe of
dark energy. The aim of this study is to investigate the application of
convolutional neural networks (CNNs) to precision shear estimation. In
particular, using a shallow CNN, we explore the impact of point spread function
(PSF) misestimation and `galaxy population bias' (including `distribution bias'
and `morphology bias'), focusing on the accuracy requirements of next
generation surveys. We simulate a population of noisy disk and elliptical
galaxies and adopt a PSF that is representative of a Euclid-like survey. We
quantify the accuracy achieved by the CNN assuming a linear relationship
between the estimated and true shears and measure the multiplicative ($m$) and
additive ($c$) biases. We make use of an unconventional loss function to
mitigate the effects of noise bias and measure $m$ and $c$ when we use either:
(i) an incorrect galaxy ellipticity distribution or size-magnitude relation, or
the wrong ratio of morphological types, to describe the population of galaxies
(distribution bias); (ii) an incorrect galaxy light profile (morphology bias);
or (iii) a PSF with size or ellipticity offset from its true value (PSF
misestimation). We compare our results to the Euclid requirements on the
knowledge of the PSF model shape and size. Finally, we outline further work to
build on the promising potential of CNNs in precision shear estimation.
- Abstract（参考訳）: 遠い銀河の弱い重力レンズは、ダークエネルギーの強力なプローブを提供する。
本研究の目的は,畳み込みニューラルネットワーク(CNN)の高精度せん断推定への応用を検討することである。
特に, 浅層cnnを用いて, ポイントスプレッド関数 (psf) の誤推定と「銀河集団バイアス」(「分布バイアス」と「形態学バイアス」を含む) の影響について検討し, 次世代調査の精度要件に着目した。
我々は、ノイズのある円盤銀河と楕円銀河の個体群をシミュレートし、ユークリッドのような調査を代表するpsfを採用する。
推定されたせん断と真のせん断との線形関係を仮定してCNNが達成した精度を定量化し、乗法(m$)と加法(c$)のバイアスを測定する。
ノイズバイアスの影響を緩和し、使用時に$m$と$c$を計測するために、非慣習的損失関数を使用します。
一 銀河の人口(分布バイアス)を記述するために、不正確な銀河楕円性分布又は大きさ-マグニチュード関係、又は形態型の誤比率
(ii)不正確な銀河の光のプロファイル(形態学バイアス)、又は
(iii)サイズ又は楕円性を有するpsfは、その真値から相反する(psf誤推定)。
我々は,psfモデル形状と大きさの知識に関するユークリッド条件との比較を行った。
最後に、精度せん断推定におけるCNNの有望な可能性を構築するための更なる取り組みについて概説する。
関連論文リスト
- Learning Galaxy Intrinsic Alignment Correlations [16.805775045014578]
銀河の内在的なアライメント(IA)は、重力潮流相互作用と銀河形成過程による銀河の形状の相関を表す。
本研究では,銀河の位置,位置配向,方向配向相関関数の測定と不確かさをエミュレートする深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-04-21T16:16:56Z) - 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) - Robust Estimation for Nonparametric Families via Generative Adversarial
Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。
我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。
技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文 参考訳（メタデータ） (2022-02-02T20:11:33Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - A Bayesian Convolutional Neural Network for Robust Galaxy Ellipticity
Regression [5.129856875153228]
銀河の楕円性を確実に推定する畳み込みニューラルネットワークを提案する。
畳み込みネットワークは、画像内のノイズの存在による不確かさを校正し、適切なアレエータ的不確かさを正しく推定するように訓練できるが、信頼できる楕円性分布を生成することができない。
論文 参考訳（メタデータ） (2021-04-20T14:01:57Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - Hierarchical Inference With Bayesian Neural Networks: An Application to
Strong Gravitational Lensing [0.0]
我々は、非表現的トレーニングセットの中間で導入されたバイアスを緩和する階層的推論フレームワークを開発する。
何千ものレンズのトレーニングから階層的推論まで、私たちの完全なパイプラインは1日で実行できます。
論文 参考訳（メタデータ） (2020-10-26T18:00:00Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳（メタデータ） (2020-06-22T16:43:35Z) - Constraining the recent star formation history of galaxies : an
Approximate Bayesian Computation approach [0.0]
本研究は、過去数十～数百年の恒星形成活動の強い変動を呈する銀河を同定する手法を提案する。
高信号対雑音比広帯域光度計を用いてCOSMOS銀河のサンプルを分析する。
論文 参考訳（メタデータ） (2020-02-18T19:00:01Z)
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。