针对参数依赖协方差矩阵的大规模数据压缩
宇宙学与河外天体物理
2017-10-18 v2 天体物理仪器与方法
统计方法学
摘要
我们展示了如何使用大规模数据压缩算法 MOPED，将估计高斯分布数据分析所需协方差矩阵所需的模拟数据集数量减少数个数量级。这在协方差矩阵无法直接计算时具有重要意义。当协方差矩阵随模型参数变化时，这种压缩尤其有价值。在这种情况下，运行足够多的模拟来估计整个参数空间中的完整协方差矩阵可能代价过高。这种压缩对于下一代弱引力透镜巡天（如拟议的 Euclid 和 LSST）可能特别有价值，因为这些巡天的汇总数据（如带功率或剪切相关估计）数量非常庞大，达到 ，这是由于数据将被划分为大量的层析红移区间。在最悲观的情况下，若对 MCMC 分析中的所有点分别估计协方差矩阵，可能需要不可行的 次模拟。我们在此表明，MOPED 可以将此数量减少 1000 倍，或者如果假设协方差矩阵具有某种规律性，则可减少约 倍，将所需模拟次数降至可管理的 ，从而使原本难以处理的分析变得可行。
引用
@article{arxiv.1707.06529,
title = {Massive data compression for parameter-dependent covariance matrices},
author = {Alan Heavens and Elena Sellentin and Damien de Mijolla and Alvise Vianello},
journal= {arXiv preprint arXiv:1707.06529},
year = {2017}
}
备注
8 pages. Accepted by MNRAS