論文の概要: Lightweight posterior construction for gravitational-wave catalogs with the Kolmogorov-Arnold network

• arxiv url: http://arxiv.org/abs/2508.18698v1
• Date: Tue, 26 Aug 2025 06:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.694561
• Title: Lightweight posterior construction for gravitational-wave catalogs with the Kolmogorov-Arnold network
• Title（参考訳）: コルモゴロフ・アルノルドネットワークを用いた重力波カタログの軽量後部構造
• Authors: Wenshuai Liu, Yiming Dong, Ziming Wang, Lijing Shao,
• Abstract要約: 我々はコルモゴロフ・アルノルドネットワーク(KAN)を用いて、重力波カタログの軽量後続構築のための効率的かつ解釈可能なニューラル密度推定器を構築する。 我々は、メガバイト規模のGW後部サンプルを取り込み、それを数十キロバイトのモデル重量に圧縮する。 実際には、モデル重みや解析式を用いて、忠実度のあるGW後部サンプルを高速に再生することができる。
• 参考スコア（独自算出の注目度）: 17.41346505247994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural density estimation has seen widespread applications in the gravitational-wave (GW) data analysis, which enables real-time parameter estimation for compact binary coalescences and enhances rapid inference for subsequent analysis such as population inference. In this work, we explore the application of using the Kolmogorov-Arnold network (KAN) to construct efficient and interpretable neural density estimators for lightweight posterior construction of GW catalogs. By replacing conventional activation functions with learnable splines, KAN achieves superior interpretability, higher accuracy, and greater parameter efficiency on related scientific tasks. Leveraging this feature, we propose a KAN-based neural density estimator, which ingests megabyte-scale GW posterior samples and compresses them into model weights of tens of kilobytes. Subsequently, analytic expressions requiring only several kilobytes can be further distilled from these neural network weights with minimal accuracy trade-off. In practice, GW posterior samples with fidelity can be regenerated rapidly using the model weights or analytic expressions for subsequent analysis. Our lightweight posterior construction strategy is expected to facilitate user-level data storage and transmission, paving a path for efficient analysis of numerous GW events in the next-generation GW detectors.
• Abstract（参考訳）: ニューラル密度推定は重力波(GW)データ解析において広く適用されており、これはコンパクトなバイナリコリシスに対するリアルタイムパラメータ推定を可能にし、人口推定のようなその後の分析に対する高速な推論を強化する。 本研究は,GWカタログの軽量後部構築のための効率的かつ解釈可能なニューラル密度推定器を構築するためのKAN(Kolmogorov-Arnold Network)の適用について検討する。 従来のアクティベーション関数を学習可能なスプラインに置き換えることで、より優れた解釈可能性、高い精度、関連する科学的タスクにおけるパラメータ効率の向上を実現している。 この特徴を生かして, メガバイト規模のGW後部サンプルを取り込み, 数十キロバイトのモデル重みに圧縮するKANを用いたニューラル密度推定器を提案する。 その後、数キロバイトしか必要としない分析式は、最小限の精度でこれらのニューラルネットワーク重みからさらに蒸留することができる。 実際には、モデル重みや解析式を用いて、忠実度のあるGW後部サンプルを高速に再生することができる。 我々の軽量後部建設戦略は、次世代GW検出器における多数のGW事象を効率的に解析するための経路を整備し、ユーザレベルのデータ保存と送信を容易にすることが期待されている。

関連論文リスト

• Spike-and-slab shrinkage priors for structurally sparse Bayesian neural networks [0.16385815610837165]
  スパースディープラーニングは、基礎となるターゲット関数のスパース表現を復元することで、課題に対処する。 構造化された空間によって圧縮されたディープニューラルアーキテクチャは、低レイテンシ推論、データスループットの向上、エネルギー消費の削減を提供する。 本研究では, (i) Spike-and-Slab Group Lasso (SS-GL) と (ii) Spike-and-Slab Group Horseshoe (SS-GHS) を併用した過剰ノードを誘発する構造的疎いベイズニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T17:14:18Z)
• Neural Importance Sampling for Rapid and Reliable Gravitational-Wave Inference [59.040209568168436]
  まず、ニューラルネットワークを用いてベイズ後部への高速な提案を行い、その基礎となる可能性と事前に基づいて重み付けを行う。 本発明は,(1)ネットワーク不正確性のない修正後部,(2)提案案の評価と故障事例の同定のための性能診断(サンプル効率),(3)ベイズ証拠の偏りのない推定を提供する。 LIGOとVirgoで観測された42個のブラックホールをSEOBNRv4PHMとIMRPhenomHMXP波形モデルで解析した。
  論文  参考訳（メタデータ） (2022-10-11T18:00:02Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Training Sparse Neural Network by Constraining Synaptic Weight on Unit Lp Sphere [2.429910016019183]
  単位 Lp-球面上のシナプス重みを制約することにより、p で空間を柔軟に制御することができる。 このアプローチは、幅広いドメインをカバーするベンチマークデータセットの実験によって検証されます。
  論文  参考訳（メタデータ） (2021-03-30T01:02:31Z)
• Neural networks with late-phase weights [66.72777753269658]
  学習後期に重みのサブセットを組み込むことで,SGDの解をさらに改善できることを示す。 学習の終わりに、重み空間における空間平均を取ることにより、1つのモデルを取得する。
  論文  参考訳（メタデータ） (2020-07-25T13:23:37Z)

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。