論文の概要: Detecting Model Misspecification in Cosmology with Scale-Dependent Normalizing Flows

• arxiv url: http://arxiv.org/abs/2508.05744v1
• Date: Thu, 07 Aug 2025 18:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.968415
• Title: Detecting Model Misspecification in Cosmology with Scale-Dependent Normalizing Flows
• Title（参考訳）: スケール依存正規化流を用いた宇宙論におけるモデルミス種別検出
• Authors: Aizhan Akhmetzhanova, Carolina Cuesta-Lazaro, Siddharth Mishra-Sharma,
• Abstract要約: 本稿では,スケール依存型ニューラルサプリメント統計と正規化フローを組み合わせた新しいフレームワークを提案する。 本稿では,3つのCAMELSシミュレーションスイートの物質密度場とガス密度場を用いたアプローチへの最初の適用例を示す。
• 参考スコア（独自算出の注目度）: 0.3840425533789961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current and upcoming cosmological surveys will produce unprecedented amounts of high-dimensional data, which require complex high-fidelity forward simulations to accurately model both physical processes and systematic effects which describe the data generation process. However, validating whether our theoretical models accurately describe the observed datasets remains a fundamental challenge. An additional complexity to this task comes from choosing appropriate representations of the data which retain all the relevant cosmological information, while reducing the dimensionality of the original dataset. In this work we present a novel framework combining scale-dependent neural summary statistics with normalizing flows to detect model misspecification in cosmological simulations through Bayesian evidence estimation. By conditioning our neural network models for data compression and evidence estimation on the smoothing scale, we systematically identify where theoretical models break down in a data-driven manner. We demonstrate a first application to our approach using matter and gas density fields from three CAMELS simulation suites with different subgrid physics implementations.
• Abstract（参考訳）: 現在および今後の宇宙学調査では、データ生成プロセスを記述する物理的プロセスと体系的な効果の両方を正確にモデル化するために、複雑な高忠実なフォワードシミュレーションを必要とする、前例のない量の高次元データを生成する。 しかし、我々の理論モデルが観測されたデータセットを正確に記述しているかどうかを検証することは、依然として根本的な課題である。 このタスクのさらなる複雑さは、関連するすべての宇宙情報を保持するデータの適切な表現を選択し、元のデータセットの次元を小さくすることにある。 本研究では,ベイジアンエビデンス推定による宇宙シミュレーションにおいて,スケール依存型ニューラルネットワークと正規化フローを組み合わせた新しいフレームワークを提案する。 データ圧縮のためのニューラルネットワークモデルとスムーズなスケールでのエビデンス推定を条件にすることで、理論モデルがデータ駆動方式で分解される場所を体系的に同定する。 本稿では,3つのCAMELSシミュレーションスイートの物質密度場とガス密度場を用いたアプローチへの最初の適用例を示す。

関連論文リスト

• 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)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
  DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。 このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
  論文  参考訳（メタデータ） (2023-11-02T20:40:21Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Modular machine learning-based elastoplasticity: generalization in the context of limited data [0.0]
  エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。 発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
  論文  参考訳（メタデータ） (2022-10-15T17:35:23Z)
• Empirical Mode Modeling: A data-driven approach to recover and forecast nonlinear dynamics from noisy data [1.2599533416395765]
  システム状態空間で動作する方法は、明示的な多次元状態空間を必要とするか、あるいは利用可能な観測から近似されたものである。 観測データはノイズでしばしばサンプリングされるため、ノイズは解析性能を低下させる状態空間表現を損なう可能性がある。 そこで,我々は経験的モードモデリングと呼ぶ経験的動的モデリングを用いて経験的モード分解の合成を評価し,ノイズの存在下での状態空間表現の情報量を増やす。
  論文  参考訳（メタデータ） (2021-03-10T13:21:33Z)

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。