論文の概要: Cosmology with Persistent Homology: Parameter Inference via Machine Learning
- arxiv url: http://arxiv.org/abs/2412.15405v1
- Date: Thu, 19 Dec 2024 21:18:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:19:55.197844
- Title: Cosmology with Persistent Homology: Parameter Inference via Machine Learning
- Title(参考訳): 永続ホモロジーを用いた宇宙論:機械学習によるパラメータ推論
- Authors: Juan Calles, Jacky H. T. Yip, Gabriella Contardo, Jorge Noreña, Adam Rouhiainen, Gary Shiu,
- Abstract要約: 我々は、PS/BS(Power Spectrum and Bispectrum)と比べ、パラメーターを推測する持続画像(PI)の能力を評価する。
PIはパラメータが制約される場合のPS/BSと比べ、常により良い予測につながる。
PI は $f_rm NLrm loc$ に対して特によく機能し、原始的非ガウス性を制限する上での永続的ホモロジーの約束を示す。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Building upon [2308.02636], this article investigates the potential constraining power of persistent homology for cosmological parameters and primordial non-Gaussianity amplitudes in a likelihood-free inference pipeline. We evaluate the ability of persistence images (PIs) to infer parameters, compared to the combined Power Spectrum and Bispectrum (PS/BS), and we compare two types of models: neural-based, and tree-based. PIs consistently lead to better predictions compared to the combined PS/BS when the parameters can be constrained (i.e., for $\{\Omega_{\rm m}, \sigma_8, n_{\rm s}, f_{\rm NL}^{\rm loc}\}$). PIs perform particularly well for $f_{\rm NL}^{\rm loc}$, showing the promise of persistent homology in constraining primordial non-Gaussianity. Our results show that combining PIs with PS/BS provides only marginal gains, indicating that the PS/BS contains little extra or complementary information to the PIs. Finally, we provide a visualization of the most important topological features for $f_{\rm NL}^{\rm loc}$ and for $\Omega_{\rm m}$. This reveals that clusters and voids (0-cycles and 2-cycles) are most informative for $\Omega_{\rm m}$, while $f_{\rm NL}^{\rm loc}$ uses the filaments (1-cycles) in addition to the other two types of topological features.
- Abstract(参考訳): 本稿では,[2308.02636]に基づいて, 確率自由推論パイプラインにおける宇宙パラメータと原始非ガウス振幅に対する永続的ホモロジーの潜在的制約力について検討する。
我々は,PS/BS(Power Spectrum and Bispectrum)と比較して,パラメータを推測する永続画像(PI)の有用性を評価し,ニューラルベースとツリーベースという2種類のモデルを比較した。
PIはパラメータを制約できるPS/BS(例えば$\{\Omega_{\rm m}, \sigma_8, n_{\rm s}, f_{\rm NL}^{\rm loc}\}$)と比較して常により良い予測をもたらす。
PI は $f_{\rm NL}^{\rm loc}$ に対して特によく機能し、原始非ガウス性を制限する上での永続ホモロジーの約束を示す。
以上の結果から,PS/BS とPS/BS を併用することで,PS/BS は PI の余剰情報や補足情報をほとんど含まないことが明らかとなった。
最後に、f_{\rm NL}^{\rm loc}$および$\Omega_{\rm m}$に対して最も重要なトポロジ的特徴を視覚化する。
これは、クラスタとヴォイド(0-サイクルと2-サイクル)が$\Omega_{\rm m}$に対して最も有益であることを明らかにし、$f_{\rm NL}^{\rm loc}$は他の2種類の位相的特徴に加えてフィラメント(1-サイクル)を使用する。
関連論文リスト
- Data subsampling for Poisson regression with pth-root-link [53.63838219437508]
ポアソン回帰のためのデータサブサンプリング手法を開発し解析する。
特に,ポアソン一般化線形モデルと ID-および平方根リンク関数について考察する。
論文 参考訳(メタデータ) (2024-10-30T10:09:05Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳(メタデータ) (2024-04-29T15:04:07Z) - Kernel-, mean- and noise-marginalised Gaussian processes for exoplanet
transits and $H_0$ inference [0.0]
太陽系外惑星トランジット光曲線シミュレーションの合成データを用いてカーネル回収と平均関数推定を行った。
この手法は平均関数と雑音モデルに対して限界化に拡張された。
宇宙クロノメーターデータセットの核後部は非定常線形核を好む。
論文 参考訳(メタデータ) (2023-11-07T17:31:01Z) - A Unified Framework for Uniform Signal Recovery in Nonlinear Generative
Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。
本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。
また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文 参考訳(メタデータ) (2023-09-25T17:54:19Z) - GRIL: A $2$-parameter Persistence Based Vectorization for Machine
Learning [0.49703640686206074]
本稿では,パラメータ持続モジュールに対してGRIL(Generalized Rank Invariant Landscape)と呼ばれる新しいベクトル表現を導入する。
このベクトル表現は1$-Lipschitz 安定であり、下層の濾過関数に対して微分可能であることを示す。
また、GRILがグラフニューラルネットワーク(GNN)に富む追加機能をキャプチャできることを示す性能の向上も観察している。
論文 参考訳(メタデータ) (2023-04-11T04:30:58Z) - Detection-Recovery Gap for Planted Dense Cycles [72.4451045270967]
期待帯域幅$n tau$とエッジ密度$p$をエルドホス=R'enyiグラフ$G(n,q)$に植え込むモデルを考える。
低次アルゴリズムのクラスにおいて、関連する検出および回復問題に対する計算しきい値を特徴付ける。
論文 参考訳(メタデータ) (2023-02-13T22:51:07Z) - A Law of Robustness beyond Isoperimetry [84.33752026418045]
我々は、任意の分布上でニューラルネットワークパラメータを補間する頑健性の低い$Omega(sqrtn/p)$を証明した。
次に、$n=mathrmpoly(d)$のとき、スムーズなデータに対する過度なパラメータ化の利点を示す。
我々は、$n=exp(omega(d))$ のとき、$O(1)$-Lipschitz の頑健な補間関数の存在を否定する。
論文 参考訳(メタデータ) (2022-02-23T16:10:23Z) - Topological Echoes of Primordial Physics in the Universe at Large Scales [0.0]
暗黒物質のハロゲンのシミュレーションのために持続性図と導出統計を計算する。
私たちのパイプラインは完全なシミュレーションのサブボックスで永続性を計算し、シミュレーションは一様ハロ数にサブサンプルされます。
論文 参考訳(メタデータ) (2020-12-07T12:08:55Z) - Curse of Dimensionality on Randomized Smoothing for Certifiable
Robustness [151.67113334248464]
我々は、他の攻撃モデルに対してスムースな手法を拡張することは困難であることを示す。
我々はCIFARに関する実験結果を示し,その理論を検証した。
論文 参考訳(メタデータ) (2020-02-08T22:02:14Z)
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。