論文の概要: Moving Beyond the DRW Model: Learning Quasar Variability with Generative Models
- arxiv url: http://arxiv.org/abs/2611.15040v1
- Date: Wed, 11 Nov 2026 04:59:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.04397
- Title: Moving Beyond the DRW Model: Learning Quasar Variability with Generative Models
- Title(参考訳): DRWモデルを超えて動く:生成モデルによる擬似変数の学習
- Abstract要約: クエーサーの光学的連続性は、しばしば減衰ランダムウォーク(DRW)モデルによって記述される。
このモデルは、クエーサー光曲線における周期信号の意義を評価するために、ヌル仮説として広く用いられている。
時系列データから直接クエーサー変動を学習できる生成モデルNullasarを導入する。
- 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: The optical continuum variability of quasars is often described by a damped random walk (DRW) model, with characteristic damping timescales $τ_{\rm DRW}$ of hundreds of days and amplitudes $σ_{\rm DRW}$ of $\mathcal{O}(0.1)$ magnitudes. This model has been widely used as a null hypothesis to assess the significance of periodic signals in quasar light curves in the search for supermassive black hole binaries, the significance of extreme quasar variability like tidal disruption events (TDEs) and changing-look (CL) quasars, or to model time lags in reverberation mapping. However, the DRW model is known to be incomplete, and an incorrect null hypothesis can lead to biased significance estimates. We investigate the impact of such null-hypothesis mis-specification on the detection of periodic signals in synthetic quasar light curves and introduce the generative model Nullasar, capable of learning quasar variability directly from time-series data. We demonstrate that Nullasar, trained with flow matching, can learn delicate statistical properties of stochastic light-curve variability without explicitly assuming any noise model. We further demonstrate that Nullasar can learn correlated distributions of noise parameters and generate new light-curve realizations from a range of deviations from the Gaussian DRW noise model, approximating parametric descriptions of stochastic processes. When used as a null hypothesis for detecting periodic signals in synthetic light curves, Nullasar performs comparably to fitting the correct DRW model to each light curve, and outperforms parametric fitting when the variability follows a more flexible AR(2) model. Finally, we identify practical limitations, including sensitivity to contamination of the training set by non-null signals, and show that projecting the conditioning vector of the model onto its leading principal components largely mitigates it.
- Abstract(参考訳): クエーサーの光学的連続性は、減衰ランダムウォーク(DRW)モデルでしばしば説明され、特性減衰時間スケール$τ_{\rm DRW}$数百日、振幅$σ_{\rm DRW}$$$$\mathcal{O}(0.1)$等級を持つ。
このモデルは、超大質量ブラックホール双対探索におけるクエーサー光曲線の周期的信号の意義、タイダル破壊事象(TDEs)やチェンジ・ルック(CLsars)のような極端クエーサー変動の意義、あるいは残響写像における時間ラグのモデル化において、ヌル仮説として広く用いられている。
しかし、DRWモデルは不完全であることが知られており、誤ったヌル仮説はバイアスのある有意推定をもたらす可能性がある。
合成クエーサー光曲線の周期的信号検出におけるヌラサーの影響について検討し, 時系列データから直接クエーサー変動を学習可能な生成モデルNullasarを導入する。
我々は,流れマッチングを訓練したNullasarが,雑音モデルを明示的に仮定することなく,確率的光曲率の微妙な統計的特性を学習できることを実証した。
さらに、Nullasarは、確率過程のパラメトリック記述を近似することで、ノイズパラメータの相関分布を学習し、ガウスのDRWノイズモデルからの偏差から新しい光曲線の実現を可能にすることを実証した。
合成光曲線における周期信号検出のヌル仮説として用いると、Nullasarは各光曲線に正しいDRWモデルを適合させ、より柔軟なAR(2)モデルに従えばパラメトリックフィッティングより優れる。
最後に、非ヌル信号によるトレーニングセットの汚染に対する感受性を含む実用的限界を特定し、モデルの条件ベクトルを主成分に投影することにより、ほとんど緩和されることを示す。
関連論文リスト
- Effective Covariance Dynamics in Solvable High-Dimensional GANs [2.639628765667673]
線形生成器がデータから低次元部分空間を学習するGANトレーニングの可解な高次元モデルについて検討する。
顕微鏡トレーニングプロセスが高次元の極限において、この効果的な共分散によって支配される決定論的常微分方程式に収束することを証明する。
論文 参考訳(メタデータ) (2026-06-25T16:33:54Z) - Nonparametric Deconvolution and Denoising using Simulation Based Inference [3.6640504352010885]
我々は,観測されたデータ分布と雑音を伴うモデル分布とをマッチングすることにより,潜在生成モデルを学習する。
本手法は, 生成潜在分布モデルの下でのデコンボリューションに対する実用的, 理論的に基礎的なアプローチを提供する。
論文 参考訳(メタデータ) (2026-06-20T07:03:37Z) - Predicting Forced Responses of Probability Distributions via the Fluctuation-Dissipation Theorem and Generative Modeling [0.0]
非線形系の高次モーメントの小さな外乱に対する応答を推定するためのデータ駆動型フレームワークを提案する。
GFDTとスコアベース生成モデルを組み合わせて,データから直接システムのスコア関数を推定する。
本手法は, 気候動態に関するいくつかのモデルを用いて検証した。
論文 参考訳(メタデータ) (2025-04-17T20:54:33Z) - On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。
RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。
本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
論文 参考訳(メタデータ) (2024-10-19T02:36:11Z) - Robust Estimation of Causal Heteroscedastic Noise Models [7.568978862189266]
学生の$t$-distributionは、より小さなサンプルサイズと極端な値で、全体の分布形態を著しく変えることなく、サンプル変数をサンプリングすることの堅牢さで知られている。
我々の経験的評価は、我々の推定器はより堅牢で、合成ベンチマークと実ベンチマークの総合的な性能が向上していることを示している。
論文 参考訳(メタデータ) (2023-12-15T02:26:35Z) - A Geometric Perspective on Diffusion Models [57.27857591493788]
本稿では,人気のある分散拡散型SDEのODEに基づくサンプリングについて検討する。
我々は、最適なODEベースのサンプリングと古典的な平均シフト(モード探索)アルゴリズムの理論的関係を確立する。
論文 参考訳(メタデータ) (2023-05-31T15:33:16Z) - Real-time detection of anomalies in large-scale transient surveys [0.0]
本稿では, 異常な過渡光曲線を自動的にリアルタイムに検出する2つの新しい手法を提案する。
どちらの手法も、既知のトランジェント集団からの光曲線を正確にモデル化できるなら、モデル予測からの偏差は、おそらく異常である、という単純な考え方に基づいている。
論文 参考訳(メタデータ) (2021-10-29T18:29:25Z) - 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)
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。