論文の概要: Addressing prior dependence in hierarchical Bayesian modeling for PTA data analysis I: Methodology and implementation

• arxiv url: http://arxiv.org/abs/2511.03667v1
• Date: Wed, 05 Nov 2025 17:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.508084
• Title: Addressing prior dependence in hierarchical Bayesian modeling for PTA data analysis I: Methodology and implementation
• 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 I:手法と実装
• Abstract要約: Pulsar Timing Array(PTA)データ分析で遭遇したような複雑な推論タスクは、ベイズフレームワークに依存している。 天体物理学、パルサーノイズ、ニュアンスパラメータの高次元パラメータ空間と強い相互依存性は、効率的な学習と堅牢な推論に重大な課題をもたらす。 我々はこれらの問題を階層的ベイズモデリングの枠組みにおいて、reパラメータ化戦略を導入することで解決する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex inference tasks, such as those encountered in Pulsar Timing Array (PTA) data analysis, rely on Bayesian frameworks. The high-dimensional parameter space and the strong interdependencies among astrophysical, pulsar noise, and nuisance parameters introduce significant challenges for efficient learning and robust inference. These challenges are emblematic of broader issues in decision science, where model over-parameterization and prior sensitivity can compromise both computational tractability and the reliability of the results. We address these issues in the framework of hierarchical Bayesian modeling by introducing a reparameterization strategy. Our approach employs Normalizing Flows (NFs) to decorrelate the parameters governing hierarchical priors from those of astrophysical interest. The use of NF-based mappings provides both the flexibility to realize the reparametrization and the tractability to preserve proper probability densities. We further adopt i-nessai, a flow-guided nested sampler, to accelerate exploration of complex posteriors. This unified use of NFs improves statistical robustness and computational efficiency, providing a principled methodology for addressing hierarchical Bayesian inference in PTA analysis.
• Abstract（参考訳）: Pulsar Timing Array(PTA)データ分析で遭遇したような複雑な推論タスクは、ベイズフレームワークに依存している。 天体物理学、パルサーノイズ、ニュアンスパラメータの高次元パラメータ空間と強い相互依存性は、効率的な学習と堅牢な推論に重大な課題をもたらす。 これらの課題は、モデル過度パラメータ化と事前感度が計算的トラクタビリティと結果の信頼性の両方を損なう可能性がある、決定科学の幅広い問題を象徴している。 我々はこれらの問題を階層ベイズモデリングの枠組みにおいて再パラメータ化戦略を導入することで解決する。 提案手法では, 階層的先行を規定するパラメータと天体物理学的関心のパラメータを関連付けるために, 正規化フロー(NFs)を用いる。 NF ベースの写像を用いることで、再パラメータ化を実現する柔軟性と、適切な確率密度を維持するためのトラクタビリティの両方が得られる。 さらに,流れ誘導型ネストサンプリング装置i-nessaiを採用し,複雑な後部探査を高速化する。 この統一されたNFの使用は統計的堅牢性と計算効率を改善し、PTA分析における階層的ベイズ推論に対処するための原則的方法論を提供する。

関連論文リスト

• Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
  BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。 3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。 標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
  論文  参考訳（メタデータ） (2026-08-25T07:58:42Z)
• Harnessing the Potential of Optimizing Data Mixtures via Bayesian Domain Reweighting [63.86964530167364]
  本稿では,ダイリクレ分布からの重み付けを,観測から得られたガンマ事前情報を用いて推定するベイズ領域重み付け手法を提案する。 実験により,提案手法は安定かつ効率的な領域重み付け学習を実現し,探索に基づく関数適合法よりもはるかに少ないデータを消費し,大規模アプリケーションにおいて最適化に基づく領域重み付けを活性化する。
  論文  参考訳（メタデータ） (2026-07-30T09:41:02Z)
• FUSE: FK-Steered Multi-Modal Flow Matching for Efficient Simulation-Based Posterior Estimation [47.3675633392999]
  FUSE (Feynman-Kac steered mUlti-modal flow matching for efficient Simulation-based posterior Estimation) を導入する。 以前の作業とは異なり、FUSEは動的相互作用を容易にしながらマルチモーダル入力の異なる特徴を保存するデュアルトラックアーキテクチャを採用している。 提案手法は, 標準SBIベンチマークにおける最先端のベースラインよりも優れており, 基幹のMCMCと密に一致した後部を創出する。
  論文  参考訳（メタデータ） (2026-07-06T15:59:18Z)
• Probabilistic Graphical Model using Graph Neural Networks for Bayesian Inversion of Discrete Structural Component States [4.25514649547277]
  本研究では確率的グラフモデル(PGM)に基づく離散変数に対する新しいベイズパラダイムを提案する。 この推論はグラフニューラルネットワーク(GNN)によって実現され,グラフ特性に基づくGNNトレーニング戦略が開発され,さまざまなグラフスケールの正確な推論が可能となった。
  論文  参考訳（メタデータ） (2026-04-26T03:22:18Z)
• Decoupling Numerical and Structural Parameters: An Empirical Study on Adaptive Genetic Algorithms via Deep Reinforcement Learning for the Large-Scale TSP [13.08340371229562]
  本稿では,この2つの次元が旅行セールスマン問題(TSP)に与える影響を分離・解析するために,二重レベル深層強化学習(DRL)フレームワークを用いた実証的研究を提案する。 本研究では、これらのパラメータを動的に制御するために、リカレントPPOエージェントを使用し、DRLモデルをプローブとして扱い、進化力学を明らかにする。 数値的チューニングは局所的な洗練を提供するが、構造的可塑性は停滞を防ぎ、局所的な最適化から逃れる上で決定的な要因である。
  論文  参考訳（メタデータ） (2026-03-21T07:56:39Z)
• Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
  PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。 提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。 我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
  論文  参考訳（メタデータ） (2026-01-13T00:42:22Z)
• Addressing prior dependence in hierarchical Bayesian modeling for PTA data analysis II: Noise and SGWB inference through parameter decorrelation [0.0]
  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。
  論文  参考訳（メタデータ） (2025-11-03T17:54:55Z)
• Deep operator network for surrogate modeling of poroelasticity with random permeability fields [3.7214007898390196]
  多孔質媒質中の流動と弾性変形を結合した多弾性性は、しばしば空間的に変化する透水性を伴う。 本研究では,無限次元関数空間間の写像を学習するためのニューラルネットワークであるDeepONet(DeepONet)に基づく代理モデリングフレームワークを提案する。 予測精度と安定性を向上させるために,支配方程式の非次元化,Karhunen-Lo'eve展開による入力次元削減,および分岐ネットワークとトランクネットワークの最適化を分離する2段階の訓練手順を統合する。
  論文  参考訳（メタデータ） (2025-09-15T14:18:49Z)
• Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation [0.0]
  データから物理パラメータを推定することは、物理科学における機械学習(ML)の重要な応用である。 本稿では,HigsML Uncertainty Challengeデータセット上で最高のパフォーマンスを実現するContrastive Normalizing Flows(CNFs)に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:14:34Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Decentralized Inference for Spatial Data Using Low-Rank Models [4.168323530566095]
  本稿では,空間的低ランクモデルにおけるパラメータ推論に適した分散化フレームワークを提案する。 重要な障害は、観測中の空間的依存から生じ、ログのような状態が要約として表現されるのを防ぐ。 提案手法では,効率的なパラメータ最適化のために,マルチセンサと動的コンセンサス平均化を統合したブロック降下法を用いる。
  論文  参考訳（メタデータ） (2025-02-01T04:17:01Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
  本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。 また、局所的な一貫性の結果に基づいた理論的保証も提供する。 この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-11-17T15:48:06Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• An Asymptotically Optimal Multi-Armed Bandit Algorithm and Hyperparameter Optimization [48.5614138038673]
  本稿では,高パラメータ探索評価のシナリオにおいて,SS (Sub-Sampling) と呼ばれる効率的で堅牢な帯域幅に基づくアルゴリズムを提案する。 また,BOSSと呼ばれる新しいパラメータ最適化アルゴリズムを開発した。 実験的な研究は、SSの理論的議論を検証し、多くのアプリケーションにおけるBOSSの優れた性能を実証する。
  論文  参考訳（メタデータ） (2020-07-11T03:15:21Z)
• Misspecification-robust likelihood-free inference in high dimensions [13.934999364767918]
  本稿では,ベイズ最適化に基づく近似離散関数の確率的手法による拡張を提案する。 提案手法は,高次元パラメータ空間に対する計算スケーラビリティを,各パラメータの別個の取得関数と相違点を用いて達成する。 本手法は,100次元空間における標準例による計算効率のよい推論を成功させ,既存のモジュール化ABC法と比較した。
  論文  参考訳（メタデータ） (2020-02-21T16:06:11Z)

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。