論文の概要: Accelerated Bayesian parameter estimation and model selection for gravitational waves with normalizing flows

• arxiv url: http://arxiv.org/abs/2410.21076v1
• Date: Mon, 28 Oct 2024 14:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:20:14.988533
• Title: Accelerated Bayesian parameter estimation and model selection for gravitational waves with normalizing flows
• Title（参考訳）: 正規化流を伴う重力波の加速ベイズパラメータ推定とモデル選択
• Authors: Alicja Polanska, Thibeau Wouters, Peter T. H. Pang, Kaze K. W. Wong, Jason D. McEwen,
• Abstract要約: 本稿では,ハイパフォーマンスな計算手法と正規化フローに基づく高速化パイプラインを提案し,ベイジアンパラメータ推定とモデル選択を行う。 私たちのコードは、十分にテストされ、完全にドキュメント化されたオープンソースパッケージで利用可能です。
• 参考スコア（独自算出の注目度）: 4.232577149837663
• License:
• Abstract: We present an accelerated pipeline, based on high-performance computing techniques and normalizing flows, for joint Bayesian parameter estimation and model selection and demonstrate its efficiency in gravitational wave astrophysics. We integrate the Jim inference toolkit, a normalizing flow-enhanced Markov chain Monte Carlo (MCMC) sampler, with the learned harmonic mean estimator. Our Bayesian evidence estimates run on $1$ GPU are consistent with traditional nested sampling techniques run on $16$ CPU cores, while reducing the computation time by factors of $5\times$ and $15\times$ for $4$-dimensional and $11$-dimensional gravitational wave inference problems, respectively. Our code is available in well-tested and thoroughly documented open-source packages, ensuring accessibility and reproducibility for the wider research community.
• Abstract（参考訳）: 本稿では,ハイパフォーマンスな計算手法と正規化フローに基づく加速パイプラインをベイズパラメータ推定とモデル選択のために提案し,重力波天体物理学におけるその効率を実証する。 我々は,フロー強化型マルコフ連鎖モンテカルロ(MCMC)サンプリング器であるJim推論ツールキットと,学習された調和平均推定器を統合する。 ベイジアン・エビデンス(Bayesian evidence)によると、GPUで1ドル(約1,300円)のエビデンスでは、従来のネストサンプリング技術が16ドル(約1,300円)のCPUコアで実行されているのに対し、計算時間を5ドル(約5,800円)と15ドル(約1,300円)で減らしている。 私たちのコードは、十分にテストされ、完全にドキュメント化されたオープンソースパッケージで利用でき、より広い研究コミュニティのアクセシビリティと再現性を確保します。

関連論文リスト

• Thermodynamic Bayesian Inference [0.0]
  本稿では,ベイズ後部からサンプリングする電子アナログデバイスについて,Langevinの力学を物理的に実現することによって提案する。 結果は熱力学計算を用いた高速でエネルギー効率の高いベイズ推定の可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-02T17:51:58Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• The future of cosmological likelihood-based inference: accelerated high-dimensional parameter estimation and model comparison [5.79711608843279]
  我々は、最近の機械学習とその基盤技術の発展を活用して、宇宙論的な可能性に基づく推論の新しいパラダイムを提唱する。 本研究では,37次元および39次元パラメータ空間におけるステージIVサーベイにおける宇宙せん断解析のシミュレーションへの応用を実演する。 従来のネストサンプリング手法で計算した手法とよく一致した後部輪郭や証拠を復元する。
  論文  参考訳（メタデータ） (2024-05-21T17:45:36Z)
• $floZ$: Improved Bayesian evidence estimation from posterior samples with normalizing flows [0.0]
  本研究では,非正規化後分布から抽出したサンプル集合からベイズ証拠を推定する改良手法である$floZ$を紹介する。 解析的に証拠が知られている分布において最大15個のパラメータ空間次元を検証し、2つの最先端技術と比較する。 $floZ$は、例えば変分推論、マルコフ・チェイン・モンテカルロのサンプル、あるいは非正規化後密度からサンプルを届ける他の方法から証拠を推定するために幅広い適用性を持つ。
  論文  参考訳（メタデータ） (2024-04-18T16:16:02Z)
• A Specialized Semismooth Newton Method for Kernel-Based Optimal Transport [92.96250725599958]
  カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。 SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
  論文  参考訳（メタデータ） (2023-10-21T18:48:45Z)
• Provable and Practical: Efficient Exploration in Reinforcement Learning via Langevin Monte Carlo [104.9535542833054]
  我々は、強化学習のためのトンプソンサンプリングに基づくスケーラブルで効果的な探索戦略を提案する。 代わりに、Langevin Monte Carlo を用いて、Q 関数をその後部分布から直接サンプリングする。 提案手法は,Atari57スイートからのいくつかの挑戦的な探索課題において,最先端の深部RLアルゴリズムと比較して,より優れた,あるいは類似した結果が得られる。
  論文  参考訳（メタデータ） (2023-05-29T17:11:28Z)
• Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
  現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。 本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-03-09T11:51:20Z)
• 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)
• A fast asynchronous MCMC sampler for sparse Bayesian inference [10.535140830570256]
  本稿では,非常に高速なマルコフ・チェイン・モンテカルロ(MCMC)サンプリングフレームワークを提案する。 本研究では, 高次元線形回帰問題において, 提案アルゴリズムで生成したマルコフ連鎖は, 主信号の正確な復元を行う不変分布を持つことを示す。
  論文  参考訳（メタデータ） (2021-08-14T02:20:49Z)
• What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
  ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。 また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
  論文  参考訳（メタデータ） (2021-04-29T15:38:46Z)
• Gravitational-wave parameter estimation with autoregressive neural network flows [0.0]
  深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。 正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。 可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
  論文  参考訳（メタデータ） (2020-02-18T15:44:04Z)

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。