本文介绍了基于深度学习的近似贝叶斯神经网络和多项式归一化流方法,应用于天体物理参数恢复,发现与标准贝叶斯神经网络和翻转估计器相比,该方法能够更好地提高预测性能和准确估计不确定性,缓解变分参数的误差引入,并得到更接近真实后验分布的预测分布,从而为使用网络提供更合理的预测分布。该方法提高了维度的灵活性,有助于恢复大量的天体物理参数。
Jan, 2023
使用改进的 CNN 算法和基于峰值计数的易于理解方法,可以更好地估计弱引力透镜映射的余量参数和标准差,并提取更多的高阶统计信息,这在研究宇宙学和暗物质中非常有帮助。
Jun, 2018
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
本文提出了一种新颖的方法来加速贝叶斯推断过程,特别关注嵌套取样算法。
May, 2024
本研究展示了利用深度学习方法从密度场测量宇宙学参数的潜力,重点是提取非高斯信息。该研究使用弱引力透镜质量图像作为数据集,旨在设计和实现一个深度卷积神经网络,学习五种宇宙学模型与其生成的质量图之间的关系,并将其与常用的非高斯统计方法进行比较,表明该方法可以实现在高噪声环境下保持高效率,并有望应用于实际弱引力透镜数据的分析。
Jul, 2017
利用深度三维卷积神经网络和分布回归框架,研究了通过宇宙物质分布直接估算宇宙学参数的方法,并表明机器学习技术在某些情况下可以胜过基于宇宙学模型的极大似然点估计,这为更高精度的估算宇宙学参数开辟了道路。
Nov, 2017
该研究使用深度学习模型解决宇宙结构形成的问题,并证明了这是一种实用和准确的替代方法。
Nov, 2018
评估不同的贝叶斯神经网络对于无线电星系分类问题的预测性能、不确定性校准和分布漂移检测的表现。
使用图神经网络在 Halo 目录上进行训练,实现宇宙学参数无似然场水平的推断。该文章表明,其模型在使用多个不同的 N-body 模拟和代码运作的 Halo 目录进行测试时非常健壮,同时探讨了使用多种参数会受到精度和健壮性的权衡问题。
Sep, 2022
本文采用简单的机器学习方法,基于降维和监督学习方法建立基于暗物质密度参数的快速暗物质密度场仿真方法,并通过预测和反投影系数来预测不同宇宙学参数的密度立方体。该方法在保证相应精度下,相比于完整的 N 体模拟大幅缩短计算时间,可以显著加速宇宙模型参数和模型推断等工作,为 ESA/NASA Euclid 任务等开放了更广泛的应用空间。
Apr, 2023