論文の概要: Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling

• arxiv url: http://arxiv.org/abs/2410.02857v2
• Date: Thu, 10 Jul 2025 21:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.063378
• Title: Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling
• Title（参考訳）: Score-based Generative Modeling を用いた銀河団質量図の再構成
• Authors: Alan Hsu, Matthew Ho, Joyce Lin, Carleen Markey, Michelle Ntampaka, Hy Trac, Barnabás Póczos,
• Abstract要約: 本稿では,銀河団のガス・ダークマター投影密度マップをスコアベース生成モデルを用いて再構成する手法を提案する。 我々の拡散モデルは、条件入力としてモックSZおよびX線画像を取り込み、学習データ後部からのサンプリングにより対応するガスおよびダークマターマップの実現を生成する。
• 参考スコア（独自算出の注目度）: 9.386611764730791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel approach to reconstruct gas and dark matter projected density maps of galaxy clusters using score-based generative modeling. Our diffusion model takes in mock SZ and X-ray images as conditional inputs, and generates realizations of corresponding gas and dark matter maps by sampling from a learned data posterior. We train and validate the performance of our model by using mock data from a cosmological simulation. The model accurately reconstructs both the mean and spread of the radial density profiles in the spatial domain, indicating that the model is able to distinguish between clusters of different mass sizes. In the spectral domain, the model achieves close-to-unity values for the bias and cross-correlation coefficients, indicating that the model can accurately probe cluster structures on both large and small scales. Our experiments demonstrate the ability of score models to learn a strong, nonlinear, and unbiased mapping between input observables and fundamental density distributions of galaxy clusters. These diffusion models can be further fine-tuned and generalized to not only take in additional observables as inputs, but also real observations and predict unknown density distributions of galaxy clusters.
• Abstract（参考訳）: 本稿では,銀河団のガス・ダークマター投影密度マップをスコアベース生成モデルを用いて再構成する手法を提案する。 我々の拡散モデルは、条件入力としてモックSZおよびX線画像を取り込み、学習データ後部からのサンプリングにより対応するガスおよびダークマターマップの実現を生成する。 宇宙シミュレーションのモックデータを用いて、モデルの性能を訓練し、検証する。 このモデルは空間領域における放射密度プロファイルの平均と拡散の両方を正確に再構成し、モデルが異なる質量サイズのクラスターを区別できることを示す。 スペクトル領域では、モデルがバイアス係数と相互相関係数の近似値を達成し、大小のクラスタ構造を正確に探索できることを示す。 本実験は,銀河団の入力可観測物と基本密度分布の間の強大で非線形で偏りのないマッピングを,スコアモデルで学習できることを実証するものである。 これらの拡散モデルは、追加の観測可能なものを入力として取り込むだけでなく、実際の観測や未知の銀河団の密度分布を予測するために、さらに微調整および一般化することができる。

関連論文リスト

• Multimodal Atmospheric Super-Resolution With Deep Generative Models [0.0]
  スコアベース拡散モデリング(Score-based diffusion modeling)は、複雑な分布からサンプリングできる生成機械学習アルゴリズムである。 本稿では,高次元力学系の超解像にそのような概念を適用し,低分解能および実験的に観察されたスパースセンサ測定のリアルタイム利用性を考える。
  論文  参考訳（メタデータ） (2025-06-28T06:47:09Z)
• Shared Stochastic Gaussian Process Latent Variable Models: A Multi-modal Generative Model for Quasar Spectra [2.3099448395832956]
  我々は、観測されたスペクトルの特徴と銀河や太陽系外惑星などの天体の科学的性質の両方を含むデータセットの天体物理学への応用に焦点をあてる。 クエーサーとして知られる非常に明るい銀河のスペクトルとその性質を、複数の観測空間で研究する。 単一のデータポイントは、それぞれ異なる可能性を持つ異なる観察のクラスによって特徴づけられる。
  論文  参考訳（メタデータ） (2025-02-27T06:57:23Z)
• Flow-Based Generative Emulation of Grids of Stellar Evolutionary Models [4.713280433864737]
  恒星進化モデルの格子をエミュレートするフローベース生成手法を提案する。 様々な進化軌道やアイソクロンを連続的な入力パラメータにわたってエミュレートする能力を示す。
  論文  参考訳（メタデータ） (2024-07-12T16:54:17Z)
• Interpreting the Weight Space of Customized Diffusion Models [79.14866339932199]
  微調整拡散モデルの重み空間は、新しいモデルを生成する解釈可能なメタラテント空間として振る舞うことができることを示す。 この結果から,微調整拡散モデルの重み空間は,新しいモデルを生成する解釈可能なメタラテント空間として振る舞うことが示唆された。
  論文  参考訳（メタデータ） (2024-06-13T17:59:56Z)
• Empirical Density Estimation based on Spline Quasi-Interpolation with applications to Copulas clustering modeling [0.0]
  密度推定は、様々な分野において、基礎となるデータの分布をモデル化し理解するための基礎的な手法である。 本稿では,擬似補間による密度の単変量近似を提案する。 提案アルゴリズムは人工データセットと実データセットで検証される。
  論文  参考訳（メタデータ） (2024-02-18T11:49:38Z)
• Scaling Riemannian Diffusion Models [68.52820280448991]
  非自明な多様体上の高次元タスクにスケールできることを示す。 我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
  論文  参考訳（メタデータ） (2023-10-30T21:27:53Z)
• 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)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• Isometric Gaussian Process Latent Variable Model for Dissimilarity Data [0.0]
  本稿では、潜在変数がモデル化データの距離と位相の両方を尊重する確率モデルを提案する。 このモデルは、対距離の観測に基づく変分推論によって推定される。
  論文  参考訳（メタデータ） (2020-06-21T08:56:18Z)

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。