論文の概要: Quantifying Weighted Morphological Content of Large-Scale Structures via Simulation-Based Inference
- arxiv url: http://arxiv.org/abs/2511.03636v1
- Date: Wed, 05 Nov 2025 16:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.497436
- Title: Quantifying Weighted Morphological Content of Large-Scale Structures via Simulation-Based Inference
- Title（参考訳）: シミュレーションベース推論による大規模構造物の重み付き形態素量の定量化
- Authors: M. H. Jalali Kanafi, S. M. S. Movahed,
- Abstract要約: 大規模構造(LSS)の2つの高階要約統計量の制約パワーを比較する。
微分の条件モーメント(CMD)は、0階から3階のMFs成分よりも$(Omega_m,,sigma_8)$の厳密な予測が得られる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we perform a simulation-based forecasting analysis to compare the constraining power of two higher-order summary statistics of the large-scale structure (LSS), the Minkowski Functionals (MFs) and the Conditional Moments of Derivative (CMD), with a particular focus on their sensitivity to nonlinear and anisotropic features in redshift-space. Our analysis relies on halo catalogs from the Big Sobol Sequence(BSQ) simulations at redshift $z=0.5$, employing a likelihood-free inference framework implemented via neural posterior estimation. At the fiducial cosmology of the Quijote simulations $(\Omega_{m}=0.3175,\,\sigma_{8}=0.834)$, and for the smoothing scale $R=15\,h^{-1}$Mpc, we find that the CMD yields tighter forecasts for $(\Omega_{m}},\,\sigma_{8})$ than the zeroth- to third-order MFs components, improving the constraint precision by ${\sim}(44\%,\,52\%)$, ${\sim}(30\%,\,45\%)$, ${\sim}(27\%,\,17\%)$, and ${\sim}(26\%,\,17\%)$, respectively. A joint configuration combining the MFs and CMD further enhances the precision by approximately ${\sim}27\%$ compared to the standard MFs alone, highlighting the complementary anisotropy-sensitive information captured by the CMD in contrast to the scalar morphological content encapsulated by the MFs. We further extend the forecasting analysis to a continuous range of cosmological parameter values and multiple smoothing scales. Our results show that, although the absolute forecast uncertainty for each component of summary statistics depends on the underlying parameter values and the adopted smoothing scale, the relative constraining power among the summary statistics remains nearly constant throughout.
- Abstract（参考訳）: 本研究では,大規模構造 (LSS) とミンコフスキー関数 (MFs) とCMD (Conditional Moments of Derivative) の2つの高次要約統計量の制約パワーをシミュレーションに基づく予測解析により比較し,特に赤方偏移空間における非線形および異方性特徴に対する感度に着目した。
我々の分析は、神経後部推定によって実装された可能性のない推論フレームワークを用いて、Redshift $z=0.5$におけるBig Sobol Sequence(BSQ)シミュレーションのハロカタログに依存している。
キヨテのシミュレーションのフィデューシャル宇宙論において、$(\Omega_{m}=0.3175,\,\sigma_{8}=0.834)$と、滑らかなスケールの$R=15\,h^{-1}$Mpcに対して、CMDは、0から3階のMFs成分よりも厳密な予測を出力し、${\sim}(44\%,\,52\%)$, ${\sim}(30\%,\,45\%)$, ${\sim}(27\,17\%)$, ${\sim}(27\,17\%)$Mpc)$$である。
MFsとCMDを組み合わせたジョイント構成により、標準MFs単独と比較して約${\sim}27\%の精度が向上し、MFsがカプセル化したスカラー形態的内容とは対照的に、CMDが取得した相補的異方性感受性情報を強調する。
さらに、予測分析を宇宙パラメータ値の連続範囲と、複数のスムーズなスケールにまで拡張する。
本結果より,要約統計の成分ごとの絶対的予測の不確実性は,基礎となるパラメータ値と適用された平滑化尺度に依存するが,要約統計の相対的制約力はほぼ一定であることがわかった。
関連論文リスト
- URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。
URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。
シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-11-02T13:45:51Z) - Global Convergence of Gradient EM for Over-Parameterized Gaussian Mixtures [53.51230405648361]
勾配EMの力学を考察し, テンソル分解を用いて幾何的景観を特徴付ける。
これは、m=2$という特別な場合を超えるEMや勾配EMに対する最初の大域収束と回復の結果である。
論文 参考訳（メタデータ） (2025-06-06T23:32:38Z) - Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators [0.0]
我々は,多数の近似シミュレーションをトレーニングに利用し,少数の高忠実度シミュレーションをキャリブレーションに利用した新しいシミュレーションベース推論(SBI)手法を提案する。
概念の証明として、2次元暗黒物質密度写像から、z=0$で$k_rm maxsim1.5,h$/Mpcまでの距離で宇宙的パラメータを推定できることが示される。
キャリブレーション後部は、$sim104$ expensive Particle-Particle (PP) シミュレーションの直接トレーニングにより得られたものとよく一致するが、計算コストのごく一部で一致する。
論文 参考訳（メタデータ） (2024-11-22T05:53:46Z) - Learning large softmax mixtures with warm start EM [17.081578976570437]
ソフトマックス混合モデル(SMM)は、$p$候補からRRL$の$x_jを選択する確率をモデル化するために導入された離散的な$K$混合モデルである。
本稿では,高次元SMMにおけるEMアルゴリズムの包括的解析を行う。
論文 参考訳（メタデータ） (2024-09-16T00:14:48Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳（メタデータ） (2021-08-25T21:30:27Z) - Topological Echoes of Primordial Physics in the Universe at Large Scales [0.0]
暗黒物質のハロゲンのシミュレーションのために持続性図と導出統計を計算する。
私たちのパイプラインは完全なシミュレーションのサブボックスで永続性を計算し、シミュレーションは一様ハロ数にサブサンプルされます。
論文 参考訳（メタデータ） (2020-12-07T12:08:55Z) - A Contour Stochastic Gradient Langevin Dynamics Algorithm for
Simulations of Multi-modal Distributions [17.14287157979558]
ビッグデータ統計学の学習のための適応重み付き勾配ランゲヴィン力学(SGLD)を提案する。
提案アルゴリズムは、CIFAR100を含むベンチマークデータセットで検証される。
論文 参考訳（メタデータ） (2020-10-19T19:20:47Z) - A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian
Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。
この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
論文 参考訳（メタデータ） (2020-06-09T02:05:40Z) - The Heavy-Tail Phenomenon in SGD [7.366405857677226]
最小損失のHessianの構造に依存すると、SGDの反復はエンフェビーテールの定常分布に収束する。
深層学習におけるSGDの行動に関する知見に分析結果を変換する。
論文 参考訳（メタデータ） (2020-06-08T16:43:56Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z)
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。