論文の概要: Shared Stochastic Gaussian Process Latent Variable Models: A Multi-modal Generative Model for Quasar Spectra

• arxiv url: http://arxiv.org/abs/2502.19824v1
• Date: Thu, 27 Feb 2025 06:57:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:55:37.445483
• Title: Shared Stochastic Gaussian Process Latent Variable Models: A Multi-modal Generative Model for Quasar Spectra
• Title（参考訳）: 共有確率ガウス過程潜時変動モデル:準スペクトルの多モード生成モデル
• Authors: Vidhi Lalchand, Anna-Christina Eilers,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3099448395832956
• License:
• Abstract: This work proposes a scalable probabilistic latent variable model based on Gaussian processes (Lawrence, 2004) in the context of multiple observation spaces. We focus on an application in astrophysics where data sets typically contain both observed spectral features and scientific properties of astrophysical objects such as galaxies or exoplanets. In our application, we study the spectra of very luminous galaxies known as quasars, along with their properties, such as the mass of their central supermassive black hole, accretion rate, and luminosity-resulting in multiple observation spaces. A single data point is then characterized by different classes of observations, each with different likelihoods. Our proposed model extends the baseline stochastic variational Gaussian process latent variable model (GPLVM) introduced by Lalchand et al. (2022) to this setting, proposing a seamless generative model where the quasar spectra and scientific labels can be generated simultaneously using a shared latent space as input to different sets of Gaussian process decoders, one for each observation space. Additionally, this framework enables training in a missing data setting where a large number of dimensions per data point may be unknown or unobserved. We demonstrate high-fidelity reconstructions of the spectra and scientific labels during test-time inference and briefly discuss the scientific interpretations of the results, along with the significance of such a generative model.
• Abstract（参考訳）: 本研究は、複数の観測空間の文脈におけるガウス過程(Lawrence, 2004)に基づくスケーラブルな確率潜在変数モデルを提案する。 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。 本研究では、クエーサーとして知られる超大質量ブラックホールの質量、降着速度、複数の観測空間における光度吸収などの特性とともに、非常に光度の高い銀河のスペクトルを研究する。 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。 Lalchand et al (2022) が導入したベースライン確率変動型ガウス過程潜在変数モデル (GPLVM) をこの設定に拡張し、各観測空間に対してそれぞれ異なるガウス過程復号器の入力として共有ラテント空間を用いて、クエーサースペクトルと科学ラベルを同時に生成できるシームレスな生成モデルを提案する。 さらに、このフレームワークは、データポイントあたりの多数の次元が未知あるいは観測されていない可能性のある、欠落したデータ設定でのトレーニングを可能にする。 本研究では,テストタイム推論におけるスペクトルと科学的ラベルの高忠実な再構成を実演し,その結果の科学的解釈と,そのような生成モデルの重要性を簡潔に議論する。

関連論文リスト

• Multi-View Oriented GPLVM: Expressiveness and Efficiency [8.459922325396155]
  スペクトル密度とカーネル関数の新たな双対性を導入する。 MV-GPLVMに対して、NG-SM(Next-Gen Spectral Mixture)と呼ばれる汎用的で表現力のあるカーネルを導出する。 提案手法は,有意な潜在表現を学習する際の最先端モデルよりも一貫して優れる。
  論文  参考訳（メタデータ） (2025-02-12T09:49:25Z)
• Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling [9.386611764730791]
  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。 拡散モデルでは, 模擬SZおよびX線像を条件付き観測として捉え, 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図っている。
  論文  参考訳（メタデータ） (2024-10-03T18:00:03Z)
• Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
  本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。 それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
  論文  参考訳（メタデータ） (2024-10-01T21:14:06Z)
• Gaussian Entanglement Measure: Applications to Multipartite Entanglement of Graph States and Bosonic Field Theory [50.24983453990065]
  フービニ・スタディ計量に基づく絡み合い尺度は、Cocchiarellaと同僚によって最近導入された。 本稿では,多モードガウス状態に対する幾何絡み合いの一般化であるガウスエンタングルメント尺度(GEM)を提案する。 自由度の高い系に対する計算可能な多部絡み合わせ測度を提供することにより、自由なボゾン場理論の洞察を得るために、我々の定義が利用できることを示す。
  論文  参考訳（メタデータ） (2024-01-31T15:50:50Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Scattering Spectra Models for Physics [6.4895077889174395]
  本稿では定常場に対する散乱スペクトルモデルを提案する。 我々は、物理学で遭遇する幅広い分野について、正確で堅牢な統計的記述を提供することを示した。 これらのジェネリックモデルは、データ探索、分類、パラメータ推論、対称性検出、コンポーネント分離に使用できる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:00Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• 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)
• Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
  固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。 1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。 ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
  論文  参考訳（メタデータ） (2021-05-27T18:00:02Z)
• Semi-parametric $\gamma$-ray modeling with Gaussian processes and variational inference [9.405199445496429]
  銀河起源の不確実な拡散放出をモデル化することは、天体物理学的なガンマ線データの特徴に深刻な偏見を与える可能性がある。 ガンマ線解析のためのフレキシブルな背景および信号モデルを構築するためにガウス過程と変分推論を用いる新しい手法のクラスを導入する。
  論文  参考訳（メタデータ） (2020-10-20T17:04:37Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。