論文の概要: Uncovering Physical Drivers of Dark Matter Halo Structures with Auxiliary-Variable-Guided Generative Models
- arxiv url: http://arxiv.org/abs/2602.23518v1
- Date: Thu, 26 Feb 2026 21:45:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-02 19:48:24.145089
- Title: Uncovering Physical Drivers of Dark Matter Halo Structures with Auxiliary-Variable-Guided Generative Models
- Title（参考訳）: 補助可変誘導型生成モデルによる暗黒物質ハロ構造の物理ドライバの発見
- Authors: Arkaprabha Ganguli, Anirban Samaddar, Florian Kéruzoré, Nesar Ramachandra, Julie Bessac, Sandeep Madireddy, Emil Constantinescu,
- Abstract要約: ダークマターハローのサーマルスニャーエフ・ゼルドビッチ写像の表現を遠ざけるための補助変数誘導フレームワークを提案する。
我々はハロ質量と濃度を補助変数として導入し、これらの物理量を反映するために潜伏次元を奨励するために軽量アライメントペナルティを適用した。
潜在座標を解釈可能な天体物理特性にリンクすることにより、潜在空間を宇宙構造診断ツールに変換する。
- 参考スコア（独自算出の注目度）: 1.569702282425953
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep generative models (DGMs) compress high-dimensional data but often entangle distinct physical factors in their latent spaces. We present an auxiliary-variable-guided framework for disentangling representations of thermal Sunyaev-Zel'dovich (tSZ) maps of dark matter halos. We introduce halo mass and concentration as auxiliary variables and apply a lightweight alignment penalty to encourage latent dimensions to reflect these physical quantities. To generate sharp and realistic samples, we extend latent conditional flow matching (LCFM), a state-of-the-art generative model, to enforce disentanglement in the latent space. Our Disentangled Latent-CFM (DL-CFM) model recovers the established mass-concentration scaling relation and identifies latent space outliers that may correspond to unusual halo formation histories. By linking latent coordinates to interpretable astrophysical properties, our method transforms the latent space into a diagnostic tool for cosmological structure. This work demonstrates that auxiliary guidance preserves generative flexibility while yielding physically meaningful, disentangled embeddings, providing a generalizable pathway for uncovering independent factors in complex astronomical datasets.
- Abstract（参考訳）: 深部生成モデル(DGM)は高次元データを圧縮するが、しばしばその潜在空間において異なる物理的要因を絡み合わせる。
暗黒物質ハロのサーマルスニャーエフ・ゼルドビッチ (tSZ) マップの表現を分離するための補助変数誘導フレームワークを提案する。
我々はハロ質量と濃度を補助変数として導入し、これらの物理量を反映するために潜伏次元を奨励するために軽量アライメントペナルティを適用した。
シャープで現実的なサンプルを生成するために,最新の生成モデルであるLCFMを拡張して,潜時空間のゆがみを強制する。
我々のDL-CFMモデルは、確立された質量集中スケーリング関係を復元し、異常なハロ形成履歴に対応する潜在空間外乱を同定する。
潜在座標を解釈可能な天体物理特性にリンクすることにより、潜在空間を宇宙構造診断ツールに変換する。
この研究は、補助的なガイダンスが、物理的に有意で不整合な埋め込みをもたらしながら、生成の柔軟性を保ち、複雑な天文学的データセットにおける独立した要因を明らかにするための一般化可能な経路を提供することを示した。
関連論文リスト
- SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳（メタデータ） (2026-01-06T19:47:11Z) - Causal Manifold Fairness: Enforcing Geometric Invariance in Representation Learning [0.0]
本稿では,因果推論と幾何学的深層学習を橋渡しする新しいフレームワークであるCausal Manifold Fairness(CMF)を紹介する。
デコーダのヤコビアンとヘシアンに制約を課すことにより、CMFは潜在空間の規則が階層群全体にわたって保持されることを保証する。
CMFを合成構造因果モデル (SCMs) で検証し, タスクユーティリティを保ちながら, 敏感な幾何学的歪みを効果的に解消することを示した。
論文 参考訳（メタデータ） (2026-01-06T14:05:22Z) - Reciprocal Space Attention for Learning Long-Range Interactions [2.5432391525687748]
本稿では,Fourierドメインにおける長距離インタラクションをキャプチャするフレームワークであるReciprocal-Space Attention (RSA)を紹介する。
RSAは、既存のローカルまたは半ローカルMLIPフレームワークと統合することができる。
RSAは、幅広い化学・材料系にわたる長距離物理学を一貫して捉えていることを示す。
論文 参考訳（メタデータ） (2025-10-15T00:35:47Z) - Be Tangential to Manifold: Discovering Riemannian Metric for Diffusion Models [13.063093054280946]
拡散モデルは、高忠実で多様なコンテンツを生成する強力な深層生成モデル(DGM)である。
古典的DGMとは違って、データ多様体をパラメータ化する明示的かつトラクタブルな低次元潜在空間は欠如している。
スコア関数のヤコビアンが局所データ多様体への接空間を捉えるという最近の発見に触発された、ノイズ空間に関する新しい計量を提案する。
論文 参考訳（メタデータ） (2025-10-07T01:54:47Z) - Hessian Geometry of Latent Space in Generative Models [41.94295877935867]
生成モデルの潜在空間幾何学を解析するための新しい手法を提案する。
提案手法は, 得られた潜伏変数の後方分布を近似する。
IsingモデルとTASEPモデルで検証され、熱力学量の再構築において既存のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-12T12:17:40Z) - Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
3次元分子生成は、薬物発見と物質科学に不可欠である。
既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。
我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
論文 参考訳（メタデータ） (2025-03-19T08:56:13Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - A Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳（メタデータ） (2023-05-30T13:58:50Z) - Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。
我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
論文 参考訳（メタデータ） (2023-05-02T01:07:22Z) - Controllable Mesh Generation Through Sparse Latent Point Diffusion
Models [105.83595545314334]
メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。
私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。
提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
論文 参考訳（メタデータ） (2023-03-14T14:25:29Z) - Unveiling the Latent Space Geometry of Push-Forward Generative Models [24.025975236316846]
多くの深い生成モデルは、GAN(Generative Adversarial Networks)やVAE(Varial Auto-Encoders)のような連続生成器によってガウス測度のプッシュフォワードとして定義される。
この研究は、そのような深層生成モデルの潜伏空間を探索する。
これらのモデルの主な問題は、非連結分布を学習する際に、対象分布の支持外からサンプルを出力する傾向があることである。
論文 参考訳（メタデータ） (2022-07-21T15:29:35Z)
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。