論文の概要: Addressing prior dependence in hierarchical Bayesian modeling for PTA data analysis II: Noise and SGWB inference through parameter decorrelation

• arxiv url: http://arxiv.org/abs/2511.01959v1
• Date: Mon, 03 Nov 2025 17:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.615368
• Title: Addressing prior dependence in hierarchical Bayesian modeling for PTA data analysis II: Noise and SGWB inference through parameter decorrelation
• Title（参考訳）: PTAデータ解析における階層ベイズモデリングの事前依存性II:パラメータのデコレーションによるノイズとSGWB推論
• Authors: Eleonora Villa, Luigi D'Amico, Aldo Barca, Fatima Modica Bittordo, Francesco Alì, Massimo Meneghetti, Luca Naso,
• Abstract要約: PTA解析は、各パルサーに固定された均一ノイズを割り当てる。 ノイズ先行を高次ハイパーパラメータでパラメータ化する階層的ベイズモデリング戦略を採用する。 階層的処理によりノイズパラメータがより厳密に制約され,レッドノイズSGWB縮退が部分的に緩和されることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pulsar Timing Arrays provide a powerful framework to measure low-frequency gravitational waves, but accuracy and robustness of the results are challenged by complex noise processes that must be accurately modeled. Standard PTA analyses assign fixed uniform noise priors to each pulsar, an approach that can introduce systematic biases when combining the array. To overcome this limitation, we adopt a hierarchical Bayesian modeling strategy in which noise priors are parametrized by higher-level hyperparameters. We further address the challenge posed by the correlations between hyperparameters and physical noise parameters, focusing on those describing red noise and dispersion measure variations. To decorrelate these quantities, we introduce an orthogonal reparametrization of the hierarchical model implemented with Normalizing Flows. We also employ i-nessai, a flow-guided nested sampler, to efficiently explore the resulting higher-dimensional parameter space. We apply our method to a minimal 3-pulsar case study, performing a simultaneous inference of noise and SGWB parameters. Despite the limited dataset, the results consistently show that the hierarchical treatment constrains the noise parameters more tightly and partially alleviates the red-noise-SGWB degeneracy, while the orthogonal reparametrization further enhances parameter independence without affecting the correlations intrinsic to the power-law modeling of the physical processes involved.
• Abstract（参考訳）: パルサータイミングアレイは低周波重力波を測定するための強力なフレームワークを提供するが、精度とロバスト性は正確にモデル化しなければならない複雑なノイズプロセスによって挑戦される。 標準PTA解析は、各パルサーに固定された均一ノイズを割り当てる。 この制限を克服するために、高レベルのハイパーパラメータによってノイズ先行がパラメータ化される階層的ベイズモデリング戦略を採用する。 さらに,高パラメータと物理雑音パラメータの相関による課題に対処し,赤騒音と分散測定のばらつきについて考察する。 これらの量をデコレーションするために、正規化フローで実装された階層モデルの直交的再パラメータ化を導入する。 また,流れ誘導型ネストサンプリング装置であるi-nessaiを用いて,結果の高次元パラメータ空間を効率的に探索する。 本手法を最小限の3パルスケーススタディに適用し,ノイズとSGWBパラメータの同時推定を行う。 制限されたデータセットにもかかわらず、階層的処理はノイズパラメータをより厳密に制約し、部分的に緩和する一方、直交的再パラメータ化は、関連する物理過程のパワー・ルール・モデリングに固有の相関に影響を与えずに、パラメータ独立性をさらに向上させる。

関連論文リスト

• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• ROPO: Robust Preference Optimization for Large Language Models [59.10763211091664]
  外部モデルの助けを借りずにノイズ耐性とノイズサンプルのフィルタリングを統合する反復アライメント手法を提案する。 Mistral-7BとLlama-2-7Bで広く使われている3つのデータセットの実験では、ROPOが既存の嗜好アライメント法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-04-05T13:58:51Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Tradeoffs between convergence rate and noise amplification for momentum-based accelerated optimization algorithms [8.669461942767098]
  モーメントに基づく1次最適化アルゴリズムについて検討し, 繰り返しが付加的な白色雑音を受ける場合について検討した。 強い凸2次問題に対しては、雑音増幅の定量化のために最適化変数における誤差の定常分散を用いる。 雑音増幅と定位時間のバランスをとるアルゴリズムの2つのパラメータ化ファミリを導入する。
  論文  参考訳（メタデータ） (2022-09-24T04:26:30Z)
• Hierarchical model reduction driven by machine learning for parametric advection-diffusion-reaction problems in the presence of noisy data [0.0]
  本稿では,雑音データの存在下でのパラメトリック楕円問題に対する信頼度低減モデルを生成するための新しい手法を提案する。 ノイズの影響を受ければ,方向方向のHiPODの精度が低下することを示す。 我々は、無関係なノイズからデータ中の関連する物理的特徴をよりよく識別する機械学習フィッティングモデルに取って代わる。
  論文  参考訳（メタデータ） (2022-04-01T16:02:05Z)
• Bayesian Optimisation for Robust Model Predictive Control under Model Parameter Uncertainty [26.052368583196426]
  本稿では,モデル予測制御(MPC)ハイパーパラメータのチューニングのための適応最適化手法を提案する。 本研究では,異種難聴モデルを用いたベイズ最適化 (BO) アルゴリズムを開発し,様々なノイズに対処する。 実験結果から,本手法はより高い累積報酬とより安定したコントローラをもたらすことが示された。
  論文  参考訳（メタデータ） (2022-03-01T15:33:21Z)
• Noise Estimation for Generative Diffusion Models [91.22679787578438]
  そこで本研究では,任意のステップの雑音パラメータを調整可能な,単純で汎用的な学習手法を提案する。 私たちのアプローチは計算コストが無視できるものです。
  論文  参考訳（メタデータ） (2021-04-06T15:46:16Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。