論文の概要: $\mathtt{emuflow}$: Normalising Flows for Joint Cosmological Analysis
- arxiv url: http://arxiv.org/abs/2409.01407v1
- Date: Mon, 2 Sep 2024 18:04:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 04:14:12.709879
- Title: $\mathtt{emuflow}$: Normalising Flows for Joint Cosmological Analysis
- Title（参考訳）: $\mathtt{emuflow}$: 共同宇宙分析のための正規化フロー
- Authors: Arrykrishna Mootoovaloo, Carlos García-García, David Alonso, Jaime Ruiz-Zapatero,
- Abstract要約: 独立データセットからの宇宙的制約を効率的に組み合わせるために,正規化フローが有効であることを示す。
本手法は,実際の宇宙的データセットの後方分布を正確に記述できることを示す。
結果として生じる共同制約は、その可能性のレベルで同じデータセットを組み合わせるのに要する時間の一部で得られる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Given the growth in the variety and precision of astronomical datasets of interest for cosmology, the best cosmological constraints are invariably obtained by combining data from different experiments. At the likelihood level, one complication in doing so is the need to marginalise over large-dimensional parameter models describing the data of each experiment. These include both the relatively small number of cosmological parameters of interest and a large number of "nuisance" parameters. Sampling over the joint parameter space for multiple experiments can thus become a very computationally expensive operation. This can be significantly simplified if one could sample directly from the marginal cosmological posterior distribution of preceding experiments, depending only on the common set of cosmological parameters. In this paper, we show that this can be achieved by emulating marginal posterior distributions via normalising flows. The resulting trained normalising flow models can be used to efficiently combine cosmological constraints from independent datasets without increasing the dimensionality of the parameter space under study. We show that the method is able to accurately describe the posterior distribution of real cosmological datasets, as well as the joint distribution of different datasets, even when significant tension exists between experiments. The resulting joint constraints can be obtained in a fraction of the time it would take to combine the same datasets at the level of their likelihoods. We construct normalising flow models for a set of public cosmological datasets of general interests and make them available, together with the software used to train them, and to exploit them in cosmological parameter inference.
- Abstract（参考訳）: 宇宙論における関心の天文学的データセットの多様性と精度の増大を考えると、最も優れた宇宙論的な制約は、異なる実験のデータを組み合わせることで必ず得られる。
可能性レベルでは、そうすることの1つの複雑さは、それぞれの実験のデータを記述する大きな次元のパラメーターモデルよりも疎外する必要があることである。
これらには、関心の宇宙学的パラメータの数が比較的少ないことと、多数の「ニュアンス」パラメータが含まれる。
複数の実験のために結合パラメータ空間をサンプリングすることは、非常に計算に費用がかかる演算となる。
これは、宇宙論的なパラメータの共通集合にのみ依存して、前回の実験の限界宇宙論的な後部分布から直接サンプルを採取できれば、大幅に単純化できる。
本稿では, 正規化流を介し, 境界後部分布をエミュレートすることで, 実現可能であることを示す。
得られたトレーニングされた正規化フローモデルは、研究中のパラメータ空間の次元を増大させることなく、独立したデータセットからの宇宙的制約を効率的に組み合わせることができる。
本手法は,実験の間に大きな緊張関係が存在する場合でも,実際の宇宙的データセットの後方分布と,異なるデータセットの同時分布を正確に記述できることを示す。
結果として生じる共同制約は、その可能性のレベルで同じデータセットを組み合わせるのに要する時間の一部で得られる。
一般の関心を持つ公開宇宙論データセットの正規化フローモデルを構築し、それらをトレーニングに使用するソフトウェアとともに利用可能にし、宇宙パラメータ推論でそれらを活用する。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。
我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
論文 参考訳（メタデータ） (2023-10-12T10:56:25Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳（メタデータ） (2023-09-07T16:55:50Z) - Manifold Learning with Sparse Regularised Optimal Transport [0.17205106391379024]
実世界のデータセットはノイズの多い観測とサンプリングを受けており、基礎となる多様体に関する情報を蒸留することが大きな課題である。
本稿では,2次正規化を用いた最適輸送の対称版を利用する多様体学習法を提案する。
得られたカーネルは連続的な極限においてLaplace型演算子と整合性を証明し、ヘテロスケダスティックノイズに対する堅牢性を確立し、これらの結果をシミュレーションで示す。
論文 参考訳（メタデータ） (2023-07-19T08:05:46Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Hierarchical Neural Simulation-Based Inference Over Event Ensembles [0.4515457784397788]
そこで本研究では,予測可能な場合のデータセットワイド確率推定手法を提案する。
確率(比)または後部についてニューラル推定器を構築し,モデルの階層構造を明示的に考慮することで,パラメータの制約が大幅に厳しくなることを示す。
論文 参考訳（メタデータ） (2023-06-21T21:50:42Z) - Multiscale Flow for Robust and Optimal Cosmological Analysis [7.977229957867868]
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。
論文 参考訳（メタデータ） (2023-06-07T18:00:06Z) - 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) - Marginal Post Processing of Bayesian Inference Products with Normalizing
Flows and Kernel Density Estimators [0.4397520291340696]
我々はMasked Autoregressive Flows と Kernel Density Estimator を用いて、コア科学パラメータに対応する限界後部密度を学習する。
限界あるいは「ニュアンスフリー」な後部と関連する可能性には多くの応用があることが分かる。
論文 参考訳（メタデータ） (2022-05-25T15:10:15Z) - Continuous normalizing flows on manifolds [0.342658286826597]
本稿では,最近導入されたニューラルODEと連続正規化フローを任意の滑らかな多様体に拡張する方法について述べる。
本稿では,これらの空間上のベクトル場をパラメータ化するための一般的な手法を提案する。
論文 参考訳（メタデータ） (2021-03-14T15:35:19Z)
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。