論文の概要: Improving Bayesian inference in PTA data analysis: importance nested sampling with Normalizing Flows

• arxiv url: http://arxiv.org/abs/2511.01958v1
• Date: Mon, 03 Nov 2025 17:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.614247
• Title: Improving Bayesian inference in PTA data analysis: importance nested sampling with Normalizing Flows
• Title（参考訳）: PTAデータ解析におけるベイズ推論の改善--正規化流れを用いたネストサンプリングの重要性
• Authors: Eleonora Villa, Golam Mohiuddin Shaifullah, Andrea Possenti, Carmelita Carbone,
• Abstract要約: 本稿では, パルスタイミングアレイデータに対するベイズ推定について, 効率, 堅牢性, 速度の向上に焦点をあてて詳細に検討する。 我々はi-nessaiサンプルを統合し、実際のシミュレーションデータセットのパフォーマンスをベンチマークする。 その結果,PTA解析を加速し,推論の品質を保ちながら,フローベースネストサンプリングの可能性を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a detailed study of Bayesian inference workflows for pulsar timing array data with a focus on enhancing efficiency, robustness and speed through the use of normalizing flow-based nested sampling. Building on the Enterprise framework, we integrate the i-nessai sampler and benchmark its performance on realistic, simulated datasets. We analyze its computational scaling and stability, and show that it achieves accurate posteriors and reliable evidence estimates with substantially reduced runtime, by up to three orders of magnitude depending on the dataset configuration, with respect to conventional single-core parallel-tempering MCMC analyses. These results highlight the potential of flow-based nested sampling to accelerate PTA analyses while preserving the quality of the inference.
• Abstract（参考訳）: 本稿では,フローベースネストサンプリングの正規化による効率,ロバスト性,速度の向上に着目したパルスタイミングアレイデータに対するベイズ推論ワークフローについて詳細に検討する。 エンタープライズフレームワーク上に構築され、i-nessaiサンプルラーを統合し、実際のシミュレートされたデータセットのパフォーマンスをベンチマークします。 我々は,その計算スケーリングと安定性を解析し,従来のシングルコア並列検出MCMC解析に対して,データセット構成によって最大3桁の精度で,実行時間を大幅に削減した正確な後部および信頼性のある証拠推定を実現することを示す。 これらの結果は,PTA解析を加速し,推論の品質を保ちつつ,フローベースネストサンプリングの可能性を強調した。

関連論文リスト

• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• Flow Matching for Robust Simulation-Based Inference under Model Misspecification [11.172752919335394]
  Flow Matching Corrected Posterior Estimation(フローマッチング補正後推定)は、シミュレーションによって訓練された後部推定を、少数の実校正サンプルを用いて洗練するフレームワークである。 提案手法は,従来のSBIベースラインと比較して,推論精度と不確実性を向上し,不特定性の影響を常に緩和することを示す。
  論文  参考訳（メタデータ） (2025-09-27T16:10:53Z)
• Bounds in Wasserstein Distance for Locally Stationary Processes [0.29771206318712146]
  本研究では,局所定常(LSP)データに適した条件付き確率分布推定器を提案する。 我々は、ワーッサーシュタイン計量の下で、NWに基づく条件付き確率推定器の収束率を厳格に設定する。 合成データセットの広範な数値シミュレーションを行い,実世界のデータを用いた実証検証を行った。
  論文  参考訳（メタデータ） (2024-12-04T15:51:22Z)
• 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)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• SynBench: Task-Agnostic Benchmarking of Pretrained Representations using Synthetic Data [78.21197488065177]
  近年、下流のタスクで大規模なデータで事前訓練された微調整大型モデルが成功し、ディープラーニングにおける重要なパラダイムシフトにつながった。 本稿では,合成データを用いて事前学習した表現の質を測定するためのタスク非依存フレームワークであるtextitSynBenchを提案する。
  論文  参考訳（メタデータ） (2022-10-06T15:25:00Z)

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。