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
• Authors: Luigi D'amico, Eleonora Villa, Fatima Modica Bittordo, Aldo Barca, Francesco Alì, Massimo Meneghetti, Luca Naso,
• 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

• 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)
• 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)
• 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)
• 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。