論文の概要: A plug-and-play approach with fast uncertainty quantification for weak lensing mass mapping

• arxiv url: http://arxiv.org/abs/2603.22006v1
• Date: Mon, 23 Mar 2026 14:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.705402
• Title: A plug-and-play approach with fast uncertainty quantification for weak lensing mass mapping
• Title（参考訳）: 弱レンズ質量マッピングのための高速不確実性定量化を用いたプラグアンドプレイ手法
• Authors: Hubert Leterme, Andreas Tersenov, Jalal Fadili, Jean-Luc Starck,
• Abstract要約: EuclidやRubinといった今後のステージIV調査では、大量の高精度なデータを提供する予定だ。 この過程における重要なステップは、ノイズの弱いレンズ測定から暗黒物質の再構成である。 現在の深層学習に基づくマッピング手法は、再現精度が高いが、新しい空域ごとにモデルを再訓練する必要がある。 弱レンズ質量マッピングのためのプラグアンドプレイアプローチであるMassを導入する。
• 参考スコア（独自算出の注目度）: 1.3961439504279125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Upcoming stage-IV surveys such as Euclid and Rubin will deliver vast amounts of high-precision data, opening new opportunities to constrain cosmological models with unprecedented accuracy. A key step in this process is the reconstruction of the dark matter distribution from noisy weak lensing shear measurements. Current deep learning-based mass mapping methods achieve high reconstruction accuracy, but either require retraining a model for each new observed sky region (limiting practicality) or rely on slow MCMC sampling. Efficient exploitation of future survey data therefore calls for a new method that is accurate, flexible, and fast at inference. In addition, uncertainty quantification with coverage guarantees is essential for reliable cosmological parameter estimation. We introduce PnPMass, a plug-and-play approach for weak lensing mass mapping. The algorithm produces point estimates by alternating between a gradient descent step with a carefully chosen data fidelity term, and a denoising step implemented with a single deep learning model trained on simulated data corrupted by Gaussian white noise. We also propose a fast, sampling-free uncertainty quantification scheme based on moment networks, with calibrated error bars obtained through conformal prediction to ensure coverage guarantees. Finally, we benchmark PnPMass against both model-driven and data-driven mass mapping techniques. PnPMass achieves performance close to that of state-of-the-art deep-learning methods while offering fast inference (converging in just a few iterations) and requiring only a single training phase, independently of the noise covariance of the observations. It therefore combines flexibility, efficiency, and reconstruction accuracy, while delivering tighter error bars than existing approaches, making it well suited for upcoming weak lensing surveys.
• Abstract（参考訳）: EuclidやRubinといった今後のステージIVのサーベイでは、大量の高精度なデータが提供され、宇宙モデルに前例のない精度で制約する新たな機会が開かれる。 この過程における重要なステップは、ノイズの弱いレンズリングせん断測定からダークマター分布の再構成である。 現在の深層学習に基づく質量マッピング法は、高い再現精度を達成するが、観測された新しい空域ごとにモデルを再訓練するか、遅いMCMCサンプリングに頼らなければならない。 したがって、将来の調査データの効率的な活用は、推論において正確で柔軟性があり、高速な新しい方法を要求する。 また、宇宙論的なパラメータ推定には、カバレッジ保証による不確実性定量化が不可欠である。 弱レンズ質量マッピングのためのプラグアンドプレイ方式であるPnPMassを導入する。 このアルゴリズムは、勾配降下ステップと慎重に選択されたデータ忠実度項とを交互に組み合わせて点推定を行い、ガウスホワイトノイズで劣化したシミュレーションデータに基づいて訓練された1つのディープラーニングモデルを用いてデノナイジングステップを実行する。 また,モーメントネットワークに基づく高速かつサンプリング不要な不確実性定量化手法を提案する。 最後に、PnPMassをモデル駆動とデータ駆動のマスマッピング技術の両方と比較した。 PnPMassは、最先端のディープラーニング手法に近いパフォーマンスを実現しつつ、高速な推論(ほんの数イテレーションで収束)を提供し、観測のノイズ共分散とは無関係に、たった1つのトレーニングフェーズしか必要としない。 そのため、柔軟性、効率性、再構築の精度が組み合わさり、既存のアプローチよりも厳密なエラーバーを提供することで、今後の弱いレンズ調査に適している。

関連論文リスト

• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Sample Margin-Aware Recalibration of Temperature Scaling [20.87493013833571]
  近年のディープラーニングの進歩は予測精度を大幅に改善した。 現代のニューラルネットワークは体系的に過信され、安全クリティカルなシナリオに展開するリスクを生じさせる。 本稿では,上位2つのロジット間のマージンに基づいて,ロジットを正確にスケールする軽量でデータ効率の高いリカバリ手法を提案する。
  論文  参考訳（メタデータ） (2025-06-30T03:35:05Z)
• Understanding the Trade-offs in Accuracy and Uncertainty Quantification: Architecture and Inference Choices in Bayesian Neural Networks [0.276240219662896]
  有望な理論的結果にもかかわらず、最もよく使われる後部近似の性質はしばしば疑問視される。 現代の深層モデルの次元は、識別可能性の欠如と相まって、マルコフ連鎖モンテカルロ(MCMC)は後部を完全に探索することができない。 変分推論は計算複雑性の改善による恩恵を受けるが、サンプリングベース推論のマルチモーダル保証は欠如している。 変分近似の積み重ねとアンサンブルにより、MCMCに匹敵する精度が大幅に低減された。
  論文  参考訳（メタデータ） (2025-03-14T18:55:48Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Convergence of uncertainty estimates in Ensemble and Bayesian sparse model discovery [4.446017969073817]
  ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。 このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-01-30T04:07:59Z)
• Bayesian Evidential Learning for Few-Shot Classification [22.46281648187903]
  Few-Shot 分類は、非常に限定されたラベル付きサンプルをベースクラスから新しいクラスに一般化することを目的としている。 最先端のソリューションは、サンプル間の距離を計算するための良い計量と表現空間を見つけることを含む。 有望な精度性能にもかかわらず、計量ベースのFSC手法の不確実性を効果的にモデル化する方法は依然として課題である。
  論文  参考訳（メタデータ） (2022-07-19T03:58:00Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)

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。