論文の概要: Spectral Hierarchy of the Cosmic Web

• arxiv url: http://arxiv.org/abs/2603.15834v1
• Date: Mon, 16 Mar 2026 19:05:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.958188
• Title: Spectral Hierarchy of the Cosmic Web
• Title（参考訳）: 宇宙ウェブのスペクトル階層
• Authors: Francisco-Shu Kitaura, Francesco Sinigaglia,
• Abstract要約: スケール重み付けカーネルを密度場に適用して得られた宇宙ウェブ分類のスペクトル階層を導入する。 これにより、単一のフレームワーク内で広く使われているWeb定義を統一し、拡張する。 階層構造は、非常に大規模なスケールからメッシュNyquist制限まで、重要なトレーサ関連情報を保持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a spectral hierarchy of cosmic-web classifications obtained by applying simple scale-weighting kernels to the density field before performing a standard eigenvalue-based web classification. This unifies and extends several widely used web definitions within a single framework: the familiar potential/tidal web (large-scale, nonlocal), a curvature-based web (more local, peak- and ridge-sensitive), and additional higher-derivative levels that progressively emphasize smaller-scale structure. Because the classification is built from second derivatives of the filtered field, successive hierarchy levels align naturally with operator families that appear in renormalised bias and effective descriptions of large-scale structure, providing an explicit bridge between cosmic-web environments and long- and short-range nonlocal bias ingredients. We quantify the information content of the hierarchy with a compact statistic: we map each cell to one of four ordered web types (void, sheet, filament, knot), construct a corresponding ``web contrast'' field, and measure its cross-correlation with halos from the AbacusSummit simulation suite on a coarse mesh with $ΔL\simeq 5.5\,h^{-1}\mathrm{Mpc}$. We find that the hierarchy retains significant tracer-relevant information from very large scales down to the mesh Nyquist limit, with the more local (curvature/higher-derivative) levels dominating toward nonlinear scales. This makes the spectral hierarchy a practical, interpretable conditioning basis for fast mock-galaxy production and field-level modelling, and a flexible tool for studying environment-dependent clustering and assembly bias.
• Abstract（参考訳）: 標準固有値に基づくWeb分類を行う前に、単純なスケール重み付けカーネルを密度場に適用して得られる宇宙ウェブ分類のスペクトル階層を導入する。 これは1つのフレームワークの中で広く使われているWeb定義を統一し拡張する: 親しみやすいポテンシャル/潮流Web(大規模で非局所)、曲率ベースのWeb(より局所的で、ピーク、リッジに敏感)、そしてより小さなスケール構造を徐々に強調する高次レベルである。 この分類は、フィルターフィールドの第2微分から成り立っているため、連続的な階層レベルは、再正規化されたバイアスと大規模構造の効果的な記述に現れるオペレーター族と自然に一致し、宇宙とウェブ環境と長距離および短距離非局所バイアス成分の間に明確な橋渡しを提供する。 各セルを4つの順序付きウェブタイプ(ボイド、シート、フィラメント、結び目)の1つにマッピングし、対応する「ウェブコントラスト」フィールドを構築し、その相互相関を$ΔL\simeq 5.5\,h^{-1}\mathrm{Mpc}$の粗いメッシュ上でAbacusSummitシミュレーションスイートのハロスと測定する。 階層構造は,非常に大規模からメッシュニキスト限界まで重要なトレーサ関連情報を保持しており,より局所的な(曲率・高微分率)レベルが非線形スケールに支配されている。 これにより、スペクトル階層は、高速なモックギャラクシー生産とフィールドレベルのモデリングのための実用的で解釈可能な条件付けベースとなり、環境依存のクラスタリングとアセンブリバイアスを研究する柔軟なツールとなる。

関連論文リスト

• Provable Learning of Random Hierarchy Models and Hierarchical Shallow-to-Deep Chaining [58.69016084278948]
  我々は、arXiv:2307.02129によって導入された階層的な文脈自由文法を考察し、深層ネットワークと浅層ネットワークの分離を予想する。 弱い条件下では、深い畳み込みネットワークを効率的に訓練し、この関数クラスを学習できることを証明した。
  論文  参考訳（メタデータ） (2026-01-27T16:19:54Z)
• Deep Taxonomic Networks for Unsupervised Hierarchical Prototype Discovery [5.300910554558862]
  既存の手法は、しばしば構造をクラスの数に結び付け、中間階層レベルで利用可能なリッチなプロトタイプ情報を未利用にする。 我々はこれらのギャップを埋めるために設計された新しい潜伏変数アプローチであるDeep Taxonomic Networkを導入する。
  論文  参考訳（メタデータ） (2025-09-28T03:13:32Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• Phononic materials with effectively scale-separated hierarchical features using interpretable machine learning [57.91994916297646]
  構造的階層的な音波材料は、複数の周波数範囲にわたるエラストダイナミック波と振動の有望なチューニング性を引き起こしている。 本稿では、各長さスケールの特徴が対象周波数範囲内の帯域ギャップをもたらす階層単位セルを求める。 提案手法は,階層型設計空間における新しい領域の探索を柔軟かつ効率的に行う手法である。
  論文  参考訳（メタデータ） (2024-08-15T21:35:06Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)
• Adaptive Linear Span Network for Object Skeleton Detection [56.78705071830965]
  本研究では,適応線形スパンネットワーク(AdaLSN)を提案する。 AdaLSNは、精度とレイテンシのトレードオフを著しく高めることで、その汎用性を裏付ける。 また、エッジ検出や道路抽出といったイメージ・ツー・マスクのタスクに適用可能であることも示している。
  論文  参考訳（メタデータ） (2020-11-08T12:51:14Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• A Multiscale Graph Convolutional Network Using Hierarchical Clustering [0.0]
  マルチスケールの分解によってこの情報を活用する新しいアーキテクチャを探索する。 デンドログラムは、Girvan-Newman階層的クラスタリングアルゴリズムによって生成される。 アーキテクチャはベンチマーク引用ネットワーク上でテストされ、競合性能を実証する。
  論文  参考訳（メタデータ） (2020-06-22T18:13:03Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。