論文の概要: Bayesian Cosmic Void Finding with Graph Flows

• arxiv url: http://arxiv.org/abs/2602.14630v1
• Date: Mon, 16 Feb 2026 10:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.37073
• Title: Bayesian Cosmic Void Finding with Graph Flows
• Title（参考訳）: グラフフローによるベイズ宇宙ボイドの発見
• Authors: Leander Thiele,
• Abstract要約: スパース銀河のサーベイで真の物質密度を見つけることは、制約の少ない問題である。 従来のヴォイド発見アルゴリズムは、問題の性質を無視して決定論的ヴォイドカタログを生成する。 本稿では,銀河カタログから任意の自明な定義へのマッピングから標本化する方法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cosmic voids contain higher-order cosmological information and are of interest for astroparticle physics. Finding genuine matter underdensities in sparse galaxy surveys is, however, an underconstrained problem. Traditional void finding algorithms produce deterministic void catalogs, neglecting the probabilistic nature of the problem. We present a method to sample from the stochastic mapping from galaxy catalogs to arbitrary void definitions. Our algorithm uses a deep graph neural network to evolve "test particles" according to a flow-matching objective. We demonstrate the method in a simplified example setting but outline steps to generalize it towards practically usable void finders. Trained on a deterministic teacher, the model performs well but has considerable stochasticity which we interpret as regularization. Cosmological information in the predicted void catalogs outperforms the teacher. On the one hand, our method can cheaply emulate existing void finders with apparently useful regularization. More importantly, it also allows us to find the Bayes-optimal mapping between observed galaxies and any void definition. This includes definitions operating at the level of simulated matter density and velocity fields.
• Abstract（参考訳）: 宇宙ヴォイドは高次宇宙学情報を含み、天体物理学に興味を持っている。 しかし、スパース銀河探査で真に物質密度の低いものを見つけることは、過度に制約された問題である。 従来のヴォイド発見アルゴリズムは、問題の確率的性質を無視して決定論的ヴォイドカタログを生成する。 本稿では,銀河カタログから任意の自明な定義への確率写像から標本化する方法を提案する。 我々のアルゴリズムは、深層グラフニューラルネットワークを用いて、フローマッチングの目的に応じて「テスト粒子」を進化させる。 本手法は, 簡易な例設定で実証するが, 実際に使用可能な空きファインダに向けて一般化する手順を概説する。 決定論的教師によって訓練され、モデルの性能は良好だが、正則化と解釈される確率性はかなり高い。 予測されたヴォイドカタログのコスモロジー情報は、教師よりも優れています。 一方,本手法では,既存の空白ファインダを比較的安価にエミュレートすることができる。 さらに重要なことに、観測された銀河と任意の空白の定義の間のベイズ-最適マッピングを見つけることもできる。 これには、シミュレートされた物質密度と速度場のレベルで動作する定義が含まれる。

関連論文リスト

• (Exhaustive) Symbolic Regression and model selection by minimum description length [0.0]
  シンボリック回帰(シンボリックレグレッション)は、データから関数を学習する機械学習手法である。 従来のアルゴリズムは、良い関数が見つからないという未知の(そしておそらく有意な)確率を持っている。 最小記述長の原理による網羅的な探索とモデル選択を提案する。
  論文  参考訳（メタデータ） (2025-07-17T12:04:15Z)
• Learning the Universe: Learning to Optimize Cosmic Initial Conditions with Non-Differentiable Structure Formation Models [0.22940141855172033]
  本稿では,3次元宇宙初期条件を再構築するためのLearning the Universe by Learning to Optimize (LULO)を紹介する。 LULOは、3次元宇宙の初期条件を再構築するための勾配のないフレームワークである。 ダークマターのみの$N$ボディシミュレーションで同定した$M_200mathrmc$halosから初期条件を正確に再構成することで,本手法を実証する。
  論文  参考訳（メタデータ） (2025-02-18T19:17:01Z)
• Unlearning-based Neural Interpretations [51.99182464831169]
  静的関数を用いて定義される現在のベースラインは、バイアスがあり、脆弱であり、操作可能であることを示す。 UNIは、学習不可能で、偏りがなく、適応的なベースラインを計算し、入力を最も急な上昇の未学習方向に向けて摂動させることを提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:02:39Z)
• Accelerating Black-Box Molecular Property Optimization by Adaptively Learning Sparse Subspaces [0.0]
  提案手法は,様々なベンチマークや実世界の問題において,既存のMPO手法よりも大幅に優れていることを示す。 具体的には,100ドル未満のクエリで100ドル以上の代替品の集合から,ほぼ最適分子を定期的に見つけることができることを示す。
  論文  参考訳（メタデータ） (2024-01-02T18:34:29Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Sensitivity Estimation for Dark Matter Subhalos in Synthetic Gaia DR2 using Deep Learning [0.0]
  本稿では, ダークマターサブハロの通過によって位相空間分布が乱れうる恒星を, 機械学習を用いて検出する課題について述べる。 まず、異常検出アルゴリズムを用いて、シミュレーション銀河の摂動の大きさを定量化する。 約50億個の合成星オブザーバブルに最適化された分類アルゴリズムは、軽度だが非ゼロ感度を示す。
  論文  参考訳（メタデータ） (2022-03-15T18:00:02Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
  画像に基づく観察のための自己教師付き表現学習法を提案する。 我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
  論文  参考訳（メタデータ） (2020-10-05T19:47:04Z)

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。