Robust Simulation-Based Inference in Cosmology with Bayesian Neural Networks

要約

シミュレーションベースの推論 (SBI) は、宇宙探査でデータを分析するための標準的な機械学習手法としての地位を急速に確立しています。
学習されたモデルによる密度推定の品質は継続的に改善されていますが、そのような手法を実際のデータに適用するには、ほとんど制約のないトレーニング分布のはるか外側にあるニューラル ネットワークの汎化能力に完全に依存しています。
科学者が作成したシミュレーションの不完全性と、すべての可能なパラメーターの組み合わせを生成するための膨大な計算コストのために、宇宙論における SBI メソッドは、このような一般化の問題に対して脆弱です。
ここでは、両方の問題の影響について説明し、SBI のトレーニングにベイジアン ニューラル ネットワーク フレームワークを使用することでバイアスが緩和され、トレーニング セット外でより信頼性の高い推論が得られることを示します。
確率的加重平均の宇宙論への最初の適用である cosmoSWAG を紹介し、それを宇宙マイクロ波背景の推論のために訓練された SBI に適用します。

要約(オリジナル)

Simulation-based inference (SBI) is rapidly establishing itself as a standard machine learning technique for analyzing data in cosmological surveys. Despite continual improvements to the quality of density estimation by learned models, applications of such techniques to real data are entirely reliant on the generalization power of neural networks far outside the training distribution, which is mostly unconstrained. Due to the imperfections in scientist-created simulations, and the large computational expense of generating all possible parameter combinations, SBI methods in cosmology are vulnerable to such generalization issues. Here, we discuss the effects of both issues, and show how using a Bayesian neural network framework for training SBI can mitigate biases, and result in more reliable inference outside the training set. We introduce cosmoSWAG, the first application of Stochastic Weight Averaging to cosmology, and apply it to SBI trained for inference on the cosmic microwave background.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google