Aug, 2019

使用贝叶斯神经流建模 Gaia 色 - 星等图以约束距离估计

PDF
TL;DR使用规范流算法，从有噪音的视差和光度学测量中学习灵活的色 - 星等图，该算法是一种能够学习任意多维概率分布的深度神经网络。应用该算法，我们得到了 6.4 亿个近邻恒星的光度距离后验分布的目录，可应用于改善银河系盘层分离和亚结构检测。
color-magnitude diagramnormalizing flowphotometryparallaxesmilky way disk separation
发现论文，激发创造
  • 用数据驱动的星星模型提高 extsl {Gaia} 视差精度

    利用 2MASS 数据构建一个基于颜色和星等的模型作为先验知识，通过 Extreme Deconvolution 算法从 TGAS 数据计算出 TGAS 星系中每颗恒星更为精确的视差估计和后验概率分布。

    Jun, 2017

  • 基于贝叶斯深度学习的修正引力宇宙体积

    使用具有不确定性估计的贝叶斯神经网络从修改引力模拟中提取宇宙学参数，优于传统神经网络的精确预测和校准不确定性估计

    Sep, 2023

  • Gaia 数据第 2 次发布：色 - 绝对星等图中的变星

    通过 ESA Gaia 任务获取到的超过 16 亿颗 G~21 mag 恒星的时间序列数据，揭示出恒星的多种变异类型及其对星等等的影响，为此提出了变异星类、变异星密度及变异幅度等指标，并提供最全面的 CaMD 变异诱导运动特征描述，为了更好地理解天体物理学提供了前所未有数量级的恒星变异信息。

    Apr, 2018

  • 条件正则流的新应用：用陀螺年代学推测恒星年龄

    应用概率数据驱动方法来研究星际年龄，通过光度数据来约束星际年龄，从而拓宽陀螺年代学星际约会的适用性。

    Jul, 2023

  • 基于深度学习的光度红移估计

    本文介绍了一种基于卷积网络和混合密度网络的新方法，并使用 SDSS（DR9）中的数据进行实验，证明此方法相比之前的方法具有更好的性能，可以预测任何类型数据（例如星系、类星体、恒星）的物理参数概率密度函数，是解决基于成像数据的概率性回归问题的一种通用方法。

    Jun, 2017

  • 基于星系的鲁棒场级别无似然推断

    使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

    Feb, 2023

  • MADE: 基于贝叶斯机器学习的红巨星的光谱质量、年龄和距离估算器

    用基于贝叶斯人工神经网络（ANN）的 MADE 方法通过对恒星的天文、光学、和光谱数据的组合生成红巨星的质量、年龄和距离的预测结果，对 10000 个红巨星进行了预测，准确地减少了与之相关联的不确定性，结果清晰表明了在年龄方面的预计厚与薄盘成分。

    Apr, 2018

  • 基于评分的生成模型实现逼真星系图像模拟

    利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的 Frechet Inception 距离和新引入的合成星系距离指标进行相似度比较和 Emergent 物理特性比较，其效果比其他生成方法（如对手网络）更为真实，可用于量身定制特定成像调查的大量合成观测数据，证实其精确插值和域转换方法的潜在用途，并在星际物理学领域推动了该主题的进一步研究。

    Nov, 2021

  • 使用神经网络估算红移分布：CFHTLenS 应用

    利用神经网络来估计星系样本的红移分布，得出它能够获得每个星系的概率密度函数，并通过 CFHTLenS 上的 58714 个星系进行实验，证明该方法在使用 5、4 或 3 个光学波段信息时能够提供真实 NZ 的极佳表示，并研究了训练目标样本数量不足和样本数据大小不一致的情况。

    Dec, 2013

  • 使用贝叶斯神经网络和不确定性量化推断低表面亮度星系的结构参数

    本研究使用贝叶斯神经网络推断（带有不确定性量化）从模拟低表面亮度星系图像中获取结构参数（大小、总亮度、光浓度等），相较于传统的轮廓拟合方法，我们证明了使用 BNN 获得的不确定性大小、精度与参数点估计比真实值更接近。此外，我们的方法速度也显着更快，这在宇宙学大数据时代尤为重要。

    Jul, 2022