論文の概要: Cosmological Parameter Estimation with Sequential Linear Simulation-based Inference

• arxiv url: http://arxiv.org/abs/2501.03921v1
• Date: Tue, 07 Jan 2025 16:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:46:59.564398
• Title: Cosmological Parameter Estimation with Sequential Linear Simulation-based Inference
• Title（参考訳）: 逐次線形シミュレーションによる宇宙パラメータ推定
• Authors: Nicolas Mediato-Diaz, Will Handley,
• Abstract要約: 本研究では,確率をパラメータのガウス線型関数で近似するシミュレーションベース推論の枠組みを開発する。 我々は,最新のニューラルネットワーク密度推定法と競合する$mathcalO(104)$シミュレーションの4、5ラウンド後に収束が達成された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We develop the framework of Linear Simulation-based Inference (LSBI), an application of simulation-based inference where the likelihood is approximated by a Gaussian linear function of its parameters. We obtain analytical expressions for the posterior distributions of hyper-parameters of the linear likelihood in terms of samples drawn from a simulator, for both uniform and conjugate priors. This method is applied sequentially to several toy-models and tested on emulated datasets for the Cosmic Microwave Background temperature power spectrum. We find that convergence is achieved after four or five rounds of $\mathcal{O}(10^4)$ simulations, which is competitive with state-of-the-art neural density estimation methods. Therefore, we demonstrate that it is possible to obtain significant information gain and generate posteriors that agree with the underlying parameters while maintaining explainability and intellectual oversight.
• Abstract（参考訳）: 我々は,そのパラメータのガウス線型関数によって確率が近似されるシミュレーションベース推論の応用である,線形シミュレーションベース推論(LSBI)の枠組みを開発する。 本研究では, シミュレータから抽出した試料を用いて, 線形確率のハイパーパラメータの後方分布に関する解析式を得る。 この方法はいくつかの玩具モデルに順次適用され、宇宙マイクロ波背景温度パワースペクトルのエミュレートデータセット上で試験される。 収束は、最先端のニューラル密度推定法と競合する$\mathcal{O}(10^4)$シミュレーションの4、5ラウンド後に達成される。 そこで本稿では,説明可能性と知的監視を維持しつつ,重要な情報を得ることができ,基礎となるパラメータに合致する後続情報を生成することができることを示す。

関連論文リスト

• Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
  データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。 科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。 本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• 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)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Arbitrary Marginal Neural Ratio Estimation for Simulation-based Inference [7.888755225607877]
  本稿では,数値積分に頼らずにパラメータの任意の部分集合に対する償却推論を可能にする新しい手法を提案する。 重力波観測による二元ブラックホール系のパラメータ推定法の適用性を示す。
  論文  参考訳（メタデータ） (2021-10-01T14:35:46Z)
• Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
  実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
  論文  参考訳（メタデータ） (2021-09-18T03:05:44Z)
• 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)
• Score Matched Conditional Exponential Families for Likelihood-Free Inference [0.0]
  Likelihood-Free Inference (LFI) はモデルからのシミュレーションに依存する。 モデルからパラメータシミュレーションペアを観測に基づいて独立に生成する。 重みをスコアマッチングで調整したニューラルネットワークを用いて,条件付き指数関数的家族度近似を学習する。
  論文  参考訳（メタデータ） (2020-12-20T11:57:30Z)

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。