論文の概要: FAIR Universe Weak Lensing ML Uncertainty Challenge: Handling Uncertainties and Distribution Shifts for Precision Cosmology

• arxiv url: http://arxiv.org/abs/2604.14451v1
• Date: Wed, 15 Apr 2026 22:09:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.630666
• Title: FAIR Universe Weak Lensing ML Uncertainty Challenge: Handling Uncertainties and Distribution Shifts for Precision Cosmology
• Title（参考訳）: FAIR Universe Weak Lensing ML Uncertainity Challenge: Handling Uncertainties and Distribution Shifts for Precision Cosmology
• Authors: Biwei Dai, Po-Wen Chang, Wahid Bhimji, Paolo Calafiura, Ragansu Chakkappai, Yuan-Tang Chou, Sascha Diefenbacher, Jordan Dudley, Ibrahim Elsharkawy, Steven Farrell, Isabelle Guyon, Chris Harris, Elham E Khoda, Benjamin Nachman, David Rousseau, Uroš Seljak, Ihsan Ullah, Yulei Zhang,
• Abstract要約: そこで本研究では,いくつかの現実的なシステマティクスを用いた第1の弱いレンズベンチマークデータセットを提案する。 われわれはFAIR Universe Weak Lensing Machine Learning Uncertainty Challengeを立ち上げた。 この課題は、弱いレンズデータから宇宙の基本的性質を測定することに焦点を当てている。
• 参考スコア（独自算出の注目度）: 6.956565211855427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weak gravitational lensing, the correlated distortion of background galaxy shapes by foreground structures, is a powerful probe of the matter distribution in our universe and allows accurate constraints on the cosmological model. In recent years, high-order statistics and machine learning (ML) techniques have been applied to weak lensing data to extract the nonlinear information beyond traditional two-point analysis. However, these methods typically rely on cosmological simulations, which poses several challenges: simulations are computationally expensive, limiting most realistic setups to a low training data regime; inaccurate modeling of systematics in the simulations create distribution shifts that can bias cosmological parameter constraints; and varying simulation setups across studies make method comparison difficult. To address these difficulties, we present the first weak lensing benchmark dataset with several realistic systematics and launch the FAIR Universe Weak Lensing Machine Learning Uncertainty Challenge. The challenge focuses on measuring the fundamental properties of the universe from weak lensing data with limited training set and potential distribution shifts, while providing a standardized benchmark for rigorous comparison across methods. Organized in two phases, the challenge will bring together the physics and ML communities to advance the methodologies for handling systematic uncertainties, data efficiency, and distribution shifts in weak lensing analysis with ML, ultimately facilitating the deployment of ML approaches into upcoming weak lensing survey analysis.
• Abstract（参考訳）: 前景構造による背景銀河形状の相関歪みである弱重力レンズは、宇宙の物質分布の強力なプローブであり、宇宙モデルに正確な制約を与える。 近年,従来の2点解析以上の非線形情報を抽出するために,高次統計処理と機械学習(ML)技術が弱いレンズデータに適用されている。 シミュレーションは計算的に高価であり、最も現実的なセットアップを低いトレーニングデータ体制に制限する;シミュレーション内の体系の不正確なモデリングは、宇宙的パラメータの制約をバイアスする分布シフトを発生させる; 研究全体にわたる様々なシミュレーションセットアップは、メソッド比較を困難にする。 これらの課題に対処するために、いくつかの現実的な体系を持つ最初の弱いレンズベンチマークデータセットを提示し、FAIR Universe Weak Lensing Machine Learning Uncertainty Challengeをローンチする。 この課題は、限られたトレーニングセットと潜在的な分布シフトを持つ弱いレンズデータから宇宙の基本的な性質を測り、厳密な比較のための標準ベンチマークを提供することである。 2つのフェーズで編成されたこの課題は、体系的な不確実性、データ効率、およびMLとの弱いレンズリング分析における分散シフトを扱うための方法論を前進させるために、物理学とMLコミュニティをまとめ、最終的にMLアプローチの弱いレンズリングサーベイ分析への展開を促進する。

関連論文リスト

• Momentum LMS Theory beyond Stationarity: Stability, Tracking, and Regret [6.655960359749289]
  大規模データ処理のシナリオでは、データが複雑なシステムによって生成されるシーケンシャルストリームに到達することが多い。 この非定常性は古典的な仮定に反する理論解析に挑戦する。 本稿では,適応型識別ツールとしてMomentum Least Mean Squares (MLMS)アルゴリズムについて検討する。
  論文  参考訳（メタデータ） (2026-02-12T14:24:42Z)
• Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration [63.61423859450929]
  この白書は、DESCの主要な宇宙探査と横断的分析を通して、AI/MLの現在の状況を調査している。 本研究では,大規模ベイズ推定,物理インフォームド手法,検証フレームワーク,発見のための能動的学習など,主要な方法論研究の優先事項を明らかにする。
  論文  参考訳（メタデータ） (2026-01-20T18:46:42Z)
• 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)
• Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming [55.848340925419286]
  等式制約と不等式制約を持つ2次最適化問題の解に対するオンライン統計的推測について検討した。 これらの問題を解決するための逐次プログラミング(SSQP)手法を開発し、目的の近似と制約の線形近似を逐次実行することでステップ方向を計算する。 本手法は,Hjek と Le Cam の意味での最適原始双対制限行列を用いて局所正規性を示す。
  論文  参考訳（メタデータ） (2025-11-27T06:16:17Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• 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)
• Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing [41.89148096989836]
  機械学習(ML)モデルの損失景観を実証分析する手法を提案する。 本手法は,MLモデルのロバスト性を,量子化精度の関数や異なる正規化手法の下で評価することができる。
  論文  参考訳（メタデータ） (2025-02-12T12:30:49Z)
• Geometry Matters: Benchmarking Scientific ML Approaches for Flow Prediction around Complex Geometries [23.111935712144277]
  複雑な幾何学体を取り巻く流体力学の迅速かつ正確なシミュレーションは、様々な工学的・科学的応用において重要である。 科学機械学習(SciML)はかなりの可能性を示してきたが、この分野のほとんどの研究は単純な幾何学に限られている。 本稿では,複雑な地形上での流動予測のための多種多様なSciMLモデルのベンチマークにより,このギャップを解消する。
  論文  参考訳（メタデータ） (2024-12-31T00:23:15Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)

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。