論文の概要: Learning the Universe: Posterior Reliability of Neural Generative Models in High-Dimensional Field-Level Inference of Cosmic Initial Conditions

• arxiv url: http://arxiv.org/abs/2606.10023v1
• Date: Mon, 08 Jun 2026 18:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.117003
• Title: Learning the Universe: Posterior Reliability of Neural Generative Models in High-Dimensional Field-Level Inference of Cosmic Initial Conditions
• Title（参考訳）: 宇宙の学習:宇宙初期条件の高次元場レベル推論におけるニューラル生成モデルの後方信頼度
• Authors: Ludvig Doeser, Jens Jasche,
• Abstract要約: 我々はハミルトニアン・モンテカルロを用いて参照後続サンプルを得る。 離散化された3Dフィールド全体の生成モデルは、高速な償却推論を可能にする。 一致した後縁手段, 限界分布, あるいは高い相互相関を達成することは, 不確実性構造を補正するものではないことを示す。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate posterior estimation is central to scientific inference, as uncertainties determine what can be reliably learned from observational data. While Markov chain Monte Carlo methods provide asymptotic convergence guarantees, they are computationally demanding in high-dimensional settings. Neural network-based generative models for entire discretized 3D fields enable fast amortized inference but often lack convergence guarantees and principled accuracy assessment. Using Hamiltonian Monte Carlo to obtain reference posterior samples, we conduct a controlled field-level evaluation of an implicit generative model (Stochastic Interpolants) and an explicit likelihood-based model (GLOW normalizing flows). This comparison, unavailable in typical applications, enables the detection of posterior geometry failures that standard metrics cannot capture. As a case study, we consider the cosmological inverse problem of inferring cosmic initial conditions from present-day large-scale structure. To match the precision of modern cosmological data, this problem increasingly relies on complex, non-linear, and non-differentiable simulators, which are incompatible with gradient-based inference frameworks. Generative models offer a route to address these challenges, provided their inferred posteriors are reliable. In this work, we show that matching posterior means, marginal distributions, or achieving high cross-correlation does not imply correct uncertainty structure, as revealed by posterior variance fields and sample-based evaluations. Through this work, we aim to raise awareness of the challenges of uncertainty estimation in high-dimensional field-level settings, highlighting the importance of careful design and validation of neural generative approaches for scientific applications.
• Abstract（参考訳）: 正確な後部推定は科学的推測の中心であり、不確実性は観測データから確実に学べるものを決定する。 マルコフ連鎖モンテカルロ法は漸近収束を保証するが、高次元の設定では計算的に要求される。 離散化された3Dフィールド全体に対するニューラルネットワークベースの生成モデルは、高速な償却推論を可能にするが、収束保証や原理化された精度評価を欠いていることが多い。 ハミルトニアン・モンテカルロを用いて、暗黙的生成モデル(Stochastic Interpolants)と明示的可能性ベースモデル(GLOW正規化フロー)の制御場レベルの評価を行う。 この比較は、一般的なアプリケーションでは利用できないが、標準メトリクスが捉えられない後続の幾何学的欠陥の検出を可能にする。 本研究では,現在の大規模構造から宇宙の初期条件を推定する宇宙論的逆問題を考える。 現代の宇宙データの精度に合わせるために、この問題は、勾配ベースの推論フレームワークと互換性のない複雑で非線形で微分不可能なシミュレータにますます依存している。 生成モデルはこれらの課題に対処するための経路を提供する。 本研究は, 後方分散場と試料による評価から, 一致した後縁手段, 辺縁分布, あるいは高い相互相関を達成することは, 不確実性構造を補正するものではないことを示す。 本研究は,高次元フィールドレベル設定における不確実性推定の課題に対する認識を高めることを目的として,科学的応用のための神経生成アプローチの設計と検証の重要性を強調した。

関連論文リスト

• DOC-GS: Dual-Domain Observation and Calibration for Reliable Sparse-View Gaussian Splatting [80.43237927269575]
  本稿では,新しい視点からスパースビュー3DGSの再構築について再考する。 我々は、ガウスの原始的信頼性の観測不能性として、コアチャレンジを識別する。 この観測を動機として、レンダリング画像フレームワークにおける統合されたデュアルドメイン観測と幾何学的手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:01:24Z)
• Practical Global and Local Bounds in Gaussian Process Regression via Chaining [4.500208956289746]
  本稿では,予期しないデータに対する期待値の上限値と下限値を推定するための連鎖に基づくフレームワークを提案する。 また,特定入力における局所不確実性定量化手法を開発した。
  論文  参考訳（メタデータ） (2025-11-12T09:30:01Z)
• Total Robustness in Bayesian Nonlinear Regression for Measurement Error Problems under Model Misspecification [7.233732121762458]
  一般非線形回帰における3つの課題すべてに対処する完全ロバスト性をターゲットにした最初のベイズ的非パラメトリックフレームワークを提案する。 シミュレーションと実世界の2つの研究では、推定誤差の低減と、誤特定に対する推定感度の低減が示されている。 したがって、このフレームワークは、データとモデルが共同で不完全である場合に、信頼できる回帰のための実用的で解釈可能なパラダイムを提供する。
  論文  参考訳（メタデータ） (2025-10-03T15:58:40Z)
• Preconditioned Langevin Dynamics with Score-Based Generative Models for Infinite-Dimensional Linear Bayesian Inverse Problems [4.2223436389469144]
  スコアベース生成モデル(SGM)によって駆動されるランゲヴィン力学は、関数空間内で直接的に定式化される。 スコアの近似誤差に明示的に依存する誤差推定を初めて導いた。 その結果、基底函数空間上のクルバック・リーブラー発散における大域収束のための十分条件が得られる。
  論文  参考訳（メタデータ） (2025-05-23T18:12:04Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Exploring the Uncertainty Properties of Neural Networks' Implicit Priors in the Infinite-Width Limit [47.324627920761685]
  我々は、無限大のNNのアンサンブルに先立って関数空間をガウス過程として特徴づける最近の理論的進歩を用いる。 これにより、関数空間上の暗黙の前のNNについて、よりよく理解できます。 また,従来のNNGPを用いた分類手法の校正について検討した。
  論文  参考訳（メタデータ） (2020-10-14T18:41:54Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。