A generalized method for measuring weak lensing magnification with weighted number counts
Notice bibliographique
Résumé
We present a derivation of a generalized optimally weighted estimator for the weak lensing magnification signal, including a calculation of errors. With this estimator, we present a local method for optimally estimating the local effects of magnification from weak gravitational lensing, using a comparison of number counts in an arbitrary region of space to the expected unmagnified number counts. We show that when equivalent lens and source samples are used, this estimator is simply related to the optimally weighted correlation function estimator used in past work and vice-versa, but this method has the benefits that it can calculate errors with significantly less computational time, that it can handle overlapping lens and source samples, and that it can easily be extended to mass-mapping. We present a proof-of-principle test of this method on data from the Canada–France–Hawaii Telescope Lensing Survey, showing that its calculated magnification signals agree with predictions from model fits to shear data. Finally, we investigate how magnification data can be used to supplement shear data in determining the best-fitting model mass profiles for galaxy dark matter haloes. We find that at redshifts greater than z ∼ 0.6, the inclusion of magnification can often significantly improve the constraints on the components of the mass profile which relate to galaxies’ local environments relative to shear alone, and in high-redshift low- and medium-mass bins, it can have a higher signal-to-noise than the shear signal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».