論文の概要: Flow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels

• arxiv url: http://arxiv.org/abs/2410.21477v1
• Date: Mon, 28 Oct 2024 19:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:38:50.579095
• Title: Flow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels
• Title（参考訳）: 太陽系外惑星の大気検索のためのフローマッチング : 信頼性が適応騒音レベルに合致する場合
• Authors: Timothy D. Gebhard, Jonas Wildberger, Maximilian Dax, Annalena Kofler, Daniel Angerhausen, Sascha P. Quanz, Bernhard Schölkopf,
• Abstract要約: 流れマッチング後推定(FMPE)は大気圏探索のための新しい機械学習手法である。 FMPEは神経後部推定(NPE)の約3倍の速度でトレーニングし、IS効率を高める。 ISは不正確なML結果の修正に成功し、低効率でモデルの失敗を特定し、ベイズ証拠の正確な見積もりを提供する。
• 参考スコア（独自算出の注目度）: 38.84835238599221
• License:
• Abstract: Inferring atmospheric properties of exoplanets from observed spectra is key to understanding their formation, evolution, and habitability. Since traditional Bayesian approaches to atmospheric retrieval (e.g., nested sampling) are computationally expensive, a growing number of machine learning (ML) methods such as neural posterior estimation (NPE) have been proposed. We seek to make ML-based atmospheric retrieval (1) more reliable and accurate with verified results, and (2) more flexible with respect to the underlying neural networks and the choice of the assumed noise models. First, we adopt flow matching posterior estimation (FMPE) as a new ML approach to atmospheric retrieval. FMPE maintains many advantages of NPE, but provides greater architectural flexibility and scalability. Second, we use importance sampling (IS) to verify and correct ML results, and to compute an estimate of the Bayesian evidence. Third, we condition our ML models on the assumed noise level of a spectrum (i.e., error bars), thus making them adaptable to different noise models. Both our noise level-conditional FMPE and NPE models perform on par with nested sampling across a range of noise levels when tested on simulated data. FMPE trains about 3 times faster than NPE and yields higher IS efficiencies. IS successfully corrects inaccurate ML results, identifies model failures via low efficiencies, and provides accurate estimates of the Bayesian evidence. FMPE is a powerful alternative to NPE for fast, amortized, and parallelizable atmospheric retrieval. IS can verify results, thus helping to build confidence in ML-based approaches, while also facilitating model comparison via the evidence ratio. Noise level conditioning allows design studies for future instruments to be scaled up, for example, in terms of the range of signal-to-noise ratios.
• Abstract（参考訳）: 観測されたスペクトルから外惑星の大気特性を推定することは、その形成、進化、居住性を理解する鍵となる。 従来のベイズ的な大気探索手法(例えばネストサンプリング)は計算コストがかかるため、ニューラル・リテラル推定(NPE)のような機械学習(ML)手法が数多く提案されている。 我々は,MLに基づく大気検索を(1)検証結果の信頼性と正確性,(2)基礎となるニューラルネットワークと想定される雑音モデルの選択に関して,より柔軟にすることを目指している。 まず,大気圏探索のための新しいML手法として,流れマッチング後推定法(FMPE)を採用する。 FMPEはNPEの多くの利点を維持しているが、アーキテクチャの柔軟性とスケーラビリティが向上している。 第2に、重要サンプリング(IS)を用いて、ML結果の検証と修正を行い、ベイズ証拠の推定を行う。 第3に、スペクトルの仮定ノイズレベル(すなわちエラーバー)にMLモデルを条件付け、異なるノイズモデルに適応させる。 我々のノイズレベル条件FMPEモデルとNPEモデルの両方は、シミュレーションデータ上でテストした場合に、様々なノイズレベルにわたるネストサンプリングと同等に動作する。 FMPEはNPEより約3倍速く、IS効率が高い。 ISは不正確なML結果の修正に成功し、低効率でモデルの失敗を特定し、ベイズ証拠の正確な見積もりを提供する。 FMPEは、高速で再生可能で並列化可能な大気検索のためのNPEの強力な代替品である。 ISは結果を検証することができ、MLベースのアプローチの信頼性を高めると同時に、エビデンス比によるモデル比較を促進することができる。 ノイズレベル条件付けは、例えば信号対雑音比の範囲で、将来の機器の設計研究をスケールアップすることを可能にする。

関連論文リスト

• Certified PEFTSmoothing: Parameter-Efficient Fine-Tuning with Randomized Smoothing [6.86204821852287]
  ランダム化平滑化は,l2-ノルムの対向摂動に対して,ディープラーニングモデルの頑健性にアクセスするための主要な確証付き頑健性手法である。 広く採用されることを制限する顕著な制約は、ベースモデルをスクラッチからリトレーニングし、堅牢なバージョンを得る必要があることである。 これは、ベースモデルがノイズの増大したデータ分布を学習し、正確な投票を行うのに失敗するためである。 近年の大規模モデルトレーニングに触発されて,ベースモデルに適応して雑音付加データを学ぶために,PEFTSmoothingという別の手法を提案する。
  論文  参考訳（メタデータ） (2024-04-08T09:38:22Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Inferring Atmospheric Properties of Exoplanets with Flow Matching and Neural Importance Sampling [10.847353970405285]
  大気の探査は、観測された光スペクトルから大気パラメータを推定することで外惑星を特徴づける。 ネストサンプリングのような従来の手法は計算コストが高く、機械学習(ML)に基づくソリューションへの関心を喚起する。 まず、新しいMLベースのAR手法として、フローマッチング後推定(FMPE)について検討し、その場合、神経後推定(NPE)よりも正確であることを示す。 次に、FMPEとNPEを併用して重要サンプリングを行い、どちらの手法も精度とシミュレーション効率においてネストサンプリングに優れることを示した。
  論文  参考訳（メタデータ） (2023-12-13T17:12:03Z)
• Negative Pre-aware for Noisy Cross-modal Matching [46.5591267410225]
  雑音対応は認識と修正が難しいため,クロスモーダルノイズロバスト学習は難しい課題である。 本稿では,雑音の多い下流タスクに対する大規模視覚言語モデルファインタニングのための,否定的事前認識型クロスモーダルマッチングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:52:36Z)
• Modeling low- and high-frequency noise in transmon qubits with resource-efficient measurement [0.0]
  Transmon qubitsは、幅広い周波数でノイズとして現れるオープンシステム効果を経験する。 低周波成分と高周波成分からなるハイブリッド浴を用いたレッドフィールド・マスター方程式を用いて,これらの効果のモデルを提案する。 超伝導量子ビットのデコヒーレンス源である1/f型ノイズ挙動をシミュレートするために, 2レベルゆらぎ器を用いる。
  論文  参考訳（メタデータ） (2023-02-28T21:46:03Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Robust Quantitative Susceptibility Mapping via Approximate Message Passing with Parameter Estimation [14.22930572798757]
  本稿では,パラメータ推定を組み込んだ定量的感受性マッピング(QSM)の確率的ベイズ的手法を提案する。 Sim2Snr1データセットでは、AMP-PEは最低のNRMSE、DFCM、最高のSSIMを達成した。 生体内データセットでは、AMP-PEは頑健であり、推定パラメータを用いて感受性マップの復元に成功した。
  論文  参考訳（メタデータ） (2022-07-29T14:38:03Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)

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。