論文の概要: OCCAMS: A Multi-Task Learning-Based Investigation of the CMB Power Spectra

• arxiv url: http://arxiv.org/abs/2610.40415v1
• Date: Thu, 29 Oct 2026 16:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.539295
• Title: OCCAMS: A Multi-Task Learning-Based Investigation of the CMB Power Spectra
• Title（参考訳）: OCCAMS: CMBパワースペクトルのマルチタスク学習に基づく調査
• Abstract要約: ニューラルネットワークに宇宙モデルが与えられていない場合、宇宙マイクロ波背景(CMB)温度と偏光パワースペクトルに適合するために、潜伏変数はいくつ必要か? 我々は、CLASS生成スペクトル(TT, TE, EE)で訓練された変分オートエンコーダを用いたマルチタスク学習を、2leellle2500$で行っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How many latent variables are needed to fit the cosmic microwave background (CMB) temperature and polarisation power spectra when a neural network is given no cosmological model, and to what extent do they map onto the standard cosmological parameters? We use multi-task learning with variational autoencoders trained on CLASS-generated spectra (TT, TE, EE) over $2\le\ell\le2500$. No cosmological model is built into the network, and the number of latent variables, $L$, is varied over $L=5$, $6$ and $7$. Their fits are compared to the Planck 2018 data using $\hatχ^2$, AIC, BIC and Bayesian evidence. Their correspondence with cosmological parameters is measured with normalised mutual information post-training. The loss weights are set within a single training run by uncertainty weighting, with the weight of the disentanglement term either fixed (semi-automated, SA) or learned (completely automated, CA). The reconstruction loss is split over multipole ranges in three configurations that separate the roles of temperature and polarisation and of the low- and high-$\ell$ ranges. In four of the six combinations of configuration and strategy, the fit improves from $L=5$ to $L=6$ and not beyond, and $L=6$ is the best, or close to the best, in five of the six cases. So, six latent variables are needed, as many as the free parameters of the standard, model-dependent approach. SA gives clearer disentanglement, while CA needs no a priori choice of the disentanglement weight and has the higher evidence at $L=5$ and $6$: the two strategies are points on a trade-off between interpretability and fit to the data. Notably, the latent variables for $τ$ and $A_s$ share almost no information in any model, consistent with large-scale polarisation separating the two, as in standard analyses. A deep-learning approach can thus give a compact, data-driven parametrisation of the CMB spectra.
• Abstract（参考訳）: ニューラルネットワークに宇宙モデルが与えられていない場合、宇宙マイクロ波背景(CMB)温度と偏光パワースペクトルに適合するために、潜伏変数はいくつ必要か。 我々は CLASS 生成スペクトル (TT, TE, EE) で訓練された変分オートエンコーダを用いたマルチタスク学習を, 2 ドル以上で行う。 ネットワーク内には宇宙モデルが構築されておらず、潜伏変数の$L$は$L=5$、$6$、$7$で変動する。 AIC、BIC、ベイズによる2018年のPlanckのデータと比較される。 宇宙パラメータとの対応性は、訓練後の正規化相互情報を用いて測定される。 損失重量は、不確実な重み付けによって実行される単一のトレーニング内に設定され、不整合項の重み付け(半自動SA)または学習(完全自動CA)が固定される。 復元損失は、温度と分極の役割と、低値と高値の$範囲を分ける3つの構成で多重極域にわたって分割される。 6つのコンフィグレーションと戦略の組み合わせのうち4つは、$L=5$から$L=6$に改善され、$L=6$は6つのケースのうち5つの中で最高または最も近い。 したがって、6つの潜在変数が必要であり、標準のモデル依存アプローチのフリーパラメータも必要である。 SAはより明確な絡み合いを与えるが、CAは絡み合いの重み付けを優先的に選択する必要はなく、より高いエビデンスをL=5$と6$で持つ: 2つの戦略は解釈可能性とデータに適合するトレードオフのポイントである。 特に、$τ$と$A_s$の潜伏変数は、標準解析のように2つを分離する大規模偏極と整合して、どんなモデルでもほとんど情報を共有しない。 これにより、深層学習アプローチは、CMBスペクトルのコンパクトでデータ駆動のパラメトリクスを与えることができる。

関連論文リスト

• SQUARE: Structured Quantum Representation Adapters as Compact Quadratic Feature Maps for Frozen Language Models [50.300302932452006]
  凍結言語モデル(LM)は、下流の再ランク付け、スコアリング、嗜好モデリングのための固定された特徴抽出器として、ますます使われている。 本稿では、ボトルネックベクトルを振幅符号化し、パラメータ化量子回路を適用し、その結果の状態を測定する構造量子表現アダプタを提案する。 各基底確率関数は、ちょうどボトルネック座標における正規化された二次形式であり、追加のPauli$Z$読み出しはそれらの確率の線形結合であることを示す。
  論文  参考訳（メタデータ） (2026-09-29T09:38:29Z)
• Readout-Rank Laws for Isotropic Quantum Tangents [0.0]
  深いパラメータ化量子回路はパラメータの変化に敏感であり続けるが、学習モデルによって保持される可観測回路はほとんど応答しない。 すべての計算基底パウリ弦の任意の固定重み$k$が全記録情報の$O(nk2-n)$のみを保持することを示す。
  論文  参考訳（メタデータ） (2026-08-07T11:09:51Z)
• Weight Decay Regimes in Grokking Transformers: Cheap Online Diagnostics [0.0]
  モジュラー演算で訓練された変換器は、記憶、一般化、崩壊の急激な遷移を示す。 重み劣化はこれらの状態に対するスカラーな経験的制御パラメータとして機能することを示す。 トレーニングのダイナミクスをトラックするオンライン診断,平均的注意頭コサイン類似性とエントロピー標準偏差を導入する。
  論文  参考訳（メタデータ） (2026-05-19T19:48:40Z)
• Wavelet Variance Equipartition as a Threshold for World-Model Quality and Quantum Kernel TN-Simulability [0.0]
  我々はウェーブレットスケーリング指数$$を臨界診断として同定する。 振幅符号化された量子カーネルの古典的シミュラビリティのシャープな遷移境界として$=1/2$を確立する。 この分散は、厳密には$Var[X] = (d-2)$としてスケールする。
  論文  参考訳（メタデータ） (2026-05-12T05:41:12Z)
• What Do EEG Foundation Models Capture from Human Brain Signals? [64.48249643001402]
  現代の脳波基礎モデルは、自己教師付き事前訓練を通じて生信号から直接学習する。 我々は3つのサブクエストに分解する: モデルが何を学習するか、モデルを何に使用するのか、そしてどのように説明できるのか。 3つの基礎モデル(CSBrain, CBraMod, LaBraM),5つの臨床タスク(MDD, Stress, ISRUC-Sleep, TUSL, Siena)と6ファミリー63機能レキシコンを含む。
  論文  参考訳（メタデータ） (2026-05-12T01:57:53Z)
• Collective Alignment in LLM Multi-Agent Systems: Disentangling Bias from Cooperation via Statistical Physics [0.0]
  そこで,本研究では,本態性バイアスから社会的整合性を解き,臨界指数を計算し,マルチエージェントシステムの集合的挙動と相転移を探索するモデルに依存しない統計的物理法を提案する。 集合的アライメントは、協調的な隣り合う結合よりも本質的なバイアスによって支配され、真の相転移の代わりに場駆動のクロスオーバーを生成する。
  論文  参考訳（メタデータ） (2026-05-11T13:13:44Z)
• The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
  大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。 これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
  論文  参考訳（メタデータ） (2026-05-09T22:27:31Z)
• Unsupervised Discovery of Intermediate Phase Order in the Frustrated $J_1$-$J_2$ Heisenberg Model via Prometheus Framework [0.0]
  本稿では,Prometheus変分オートエンコーダフレームワークを適用して,J_1$-$J$位相図を探索する。 構造因子 $S(,)$ と $S(,)$ を支配的順序パラメータとして同定する。 この研究は、フラストレーションのある量子システムに機械学習を適用するためのスケーラブルな経路を確立する。
  論文  参考訳（メタデータ） (2026-02-25T00:44:51Z)
• The Optimization Landscape of SGD Across the Feature Learning Strength [102.1353410293931]
  オンライントレーニング環境で、さまざまなモデルやデータセットに$gamma$をスケーリングする効果について検討する。 最適なオンラインパフォーマンスは、しばしば大きな$gamma$で見られます。 以上の結果から,大容量ガンマ$限界の解析的研究は,実演モデルにおける表現学習のダイナミクスに関する有用な知見をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-06T22:30:14Z)

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。