Debiasing standard siren inference of the Hubble constant with marginal neural ratio estimation
Notice bibliographique
Résumé
ABSTRACT Gravitational wave (GW) standard sirens may resolve the Hubble tension, provided that standard siren inference of H0 is free from systematic biases. However, standard sirens from binary neutron star (BNS) mergers suffer from two sources of systematic bias, one arising from the anisotropy of GW emission, and the other from the anisotropy of electromagnetic (EM) emission from the kilonova. For an observed sample of BNS mergers, the traditional Bayesian approach to debiasing involves the direct computation of the detection likelihood. This is infeasible for large samples of detected BNS merger due to the high dimensionality of the parameter space governing merger detection. In this study, we bypass this computation by fitting the Hubble constant to forward simulations of the observed GW and EM data under a simulation-based inference (SBI) framework using marginal neural ratio estimation. A key innovation of our method is the inclusion of BNS mergers that were only detected in GW, which allows for estimation of the bias introduced by EM anisotropy. Our method corrects for $\sim 90{{\ \rm per\ cent}}$ of the bias in the inferred value of H0 when telescope follow-up observations of BNS mergers have extensive tiling of the merger localization region, using known telescope sensitivities and assuming a model of kilonova emission. Our SBI-based method thus enables a debiased inference of the Hubble constant of BNS mergers, including both mergers with detected EM counterparts and those without.
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 | 0,006 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».