基于信息最大化神经网络的自动物理推断
天体物理仪器与方法
2018-08-06 v3
摘要
将大型数据集压缩为少量能反映底层参数的信息丰富的汇总量，可极大简化频率学派与贝叶斯推断。当仅有模拟数据可用时，这些汇总量通常是启发式选取的，因此可能无意中遗漏重要信息。我们引入一种基于模拟的机器学习技术，训练人工神经网络寻找数据中最大化费雪信息的非线性泛函：信息最大化神经网络（IMNN）。在可精确推导后验的测试案例中，基于自动导出的 IMNN 汇总量的似然自由推断产生了近乎精确的后验，表明这些汇总量是充分统计量的良好近似。在一系列复杂度与天体物理相关性递增的数值示例中，我们表明 IMNN 即便在线性的压缩失效时也能稳健地自动找到最优的非线性数据汇总量：在噪声存在下推断高斯信号的方差；从类星体光谱中莱曼-α森林的模拟数据推断宇宙学参数；以及从类 LISA 的引力波波形探测中推断频域参数。在最后一种情况下，IMNN 汇总量通过避免引入伪似然极大值而优于线性数据压缩。我们预期本文描述的自动物理推断方法，将从复杂且大型的天文数据集（包括来自 LSST 和 Euclid 的数据）中获取准确且精确的宇宙学参数估计方面发挥关键作用。
引用
@article{arxiv.1802.03537,
title = {Automatic physical inference with information maximising neural networks},
author = {Tom Charnock and Guilhem Lavaux and Benjamin D. Wandelt},
journal= {arXiv preprint arXiv:1802.03537},
year = {2018}
}
备注
21 pages, 12 figures, code at https://github.com/tomcharnock/information_maximiser, data at https://doi.org/10.5281/zenodo.1175196