論文の概要: Neural Posterior Estimation for Tomographic Weak Lensing Mass Mapping
- arxiv url: http://arxiv.org/abs/2609.07833v1
- Date: Mon, 07 Sep 2026 18:00:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 20:56:25.367831
- Title: Neural Posterior Estimation for Tomographic Weak Lensing Mass Mapping
- Title（参考訳）: トモグラフィー用レンズ質量マッピングのための神経後部推定法
- Abstract要約: 深層ニューラルネットワークをトレーニングし、マルチバンド画像から基礎となるトモグラフィ・せん断・収束場上の変動分布にマッピングする。
LSST-DESC DC2シミュレートスカイサーベイの合成画像で評価すると、NPEはせん断と収束のためのよく校正された変分分布を生成する。
- 参考スコア（独自算出の注目度）: 4.453455555213445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weak gravitational lensing shear and convergence trace the distribution of baryonic and dark matter across space, making them a powerful probe of cosmic structure. Inferring shear and convergence from images is a challenging inverse problem. The prevailing approach to this task estimates shear from weighted averages of galaxy ellipticities, calibrates these estimates to account for systematic biases, and transforms them to reconstruct convergence, a multistage procedure that requires substantial computational resources and meticulous handling of statistical uncertainties. As an alternative, we propose a probabilistic approach to field-level weak lensing inference in which we train a deep neural network to directly map a multiband image to a variational distribution over the underlying tomographic shear and convergence fields. This neural posterior estimation (NPE) procedure implicitly marginalizes over nuisance variables in the cosmological forward model and does not require evaluating the likelihood function. It is also amortized, so it enables rapid posterior inference for astronomical surveys once the neural network is trained. When evaluated on synthetic images from the LSST-DESC DC2 Simulated Sky Survey, NPE produces well-calibrated variational distributions for shear and convergence that are consistent with the ground truth. We describe how maps sampled from these variational distributions could be used in a subsequent simulation-based inference procedure to approximate the posterior distribution over cosmological parameters.
- Abstract（参考訳）: 弱い重力レンズのせん断と収束は、バリオンとダークマターの宇宙空間における分布を辿り、宇宙構造の強力なプローブとなる。
画像からせん断と収束を推定することは、難しい逆問題である。
このタスクの一般的なアプローチは、銀河楕円性の重み付き平均からせん断を推定し、これらの推定値を体系的な偏りを考慮し、それらを再構成し、かなりの計算資源と統計的不確実性の綿密な扱いを必要とする多段階の手順である収束を再構築する。
その代替として、深部ニューラルネットワークをトレーニングし、マルチバンド画像を基礎となるトモグラフィ・せん断・収束場上の変動分布に直接マッピングする、フィールドレベルの弱いレンズ推論の確率論的アプローチを提案する。
この神経後部推定法(NPE)は、宇宙の前方モデルにおけるニュアンス変数を暗黙的に極小化し、可能性関数の評価を必要としない。
また、アモールト化されているため、ニューラルネットワークのトレーニングが完了すると、天文学的なサーベイの高速な後部推論が可能になる。
LSST-DESC DC2シミュレートスカイサーベイの合成画像で評価すると、NPEは基底真理と整合したせん断および収束のためのよく校正された変分分布を生成する。
本稿では,これらの変動分布から抽出した地図を,その後のシミュレーションに基づく推論手法を用いて,宇宙論的なパラメータの後方分布を近似する方法について述べる。
関連論文リスト
- Neural Posterior Estimation for Inferring Weak Lensing Shear [3.3301932549351907]
我々は、シミュレーションされたマルチバンド画像を、下層のせん断場上の変動分布にマッピングするために、ディープニューラルネットワークを訓練する。
トレーニングが完了すると、ネットワークはシミュレーション画像に存在するすべての特徴を説明できる。
以上の結果から,NPEは期待されるすべての特徴や成果物をシミュレートできる設定において,実行可能なせん断推定手法であることを示す。
論文 参考訳（メタデータ） (2026-07-10T18:01:20Z) - VIKING: Deep variational inference with stochastic projections [48.946143517489496]
変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。
パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。
これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
論文 参考訳（メタデータ） (2025-10-27T15:38:35Z) - A Generalized Unified Skew-Normal Process with Neural Bayes Inference [1.5388334141379898]
近年、統計学者は非対称性や重尾性といった非ガウス的行動を示す空間データにますます遭遇している。
ガウスモデルの限界に対処するために、様々な歪んだモデルが提案されている。
文学における様々な提案の中で、統一スキュー・ノルマル(SUN)のような統一スキュー分布が注目されている。
論文 参考訳（メタデータ） (2024-11-26T13:00:39Z) - Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。
本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。
既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
論文 参考訳（メタデータ） (2024-07-25T09:53:12Z) - Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。
本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Probabilistic Mass Mapping with Neural Score Estimation [4.079848600120986]
弱レンズ質量マッピング問題の高次元ベイズ後方の効率的なサンプリング法を提案する。
本手法の精度をシミュレーションで実証し,HST/ACS COSMOSフィールドの大量再構成に適用する。
論文 参考訳（メタデータ） (2022-01-14T17:07:48Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - 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) - Uncertainty quantification in imaging and automatic horizon tracking: a
Bayesian deep-prior based approach [0.5156484100374059]
不確実性定量化(英: Uncertainty Quantification、UQ)は、解の不均一性とデータノイズ感度の確率論的記述を扱う。
本稿では,階層モデルを決定するために,UQが地平線追跡にどのように貢献するかに焦点を当てる。
論文 参考訳（メタデータ） (2020-04-01T04:26:33Z)
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。