Predictive uncertainty on astrophysics recovery from multifield cosmology
Notice bibliographique
Résumé
Abstract We investigate how the constraints on the density parameter (Ωm), the power spectrum amplitude (σ 8) and the supernova feedback parameters (A SN1 and A SN2) vary when exploiting information from multiple fields in cosmology. We make use of a convolutional neural network to retrieve the salient features from different combinations of field maps from IllustrisTNG in the CAMELS project. The fields considered are neutral hydrogen (HI), gas density (Mgas), magnetic fields (B) and gas metallicity (Z). We estimate the predictive uncertainty — sum of the squares of aleatoric and epistemic uncertainties — of the parameters inferred by our model by using Monte Carlo dropout, a Bayesian approximation. Results show that in general, the performance of the model improves as the number of channels of its input is increased. In the best setup which includes all fields (four channel input, Mgas-HI-B-Z) the model achieves R 2 > 0.96 on all parameters. Similarly, we find that the predictive uncertainty, which is dominated by the aleatoric uncertainty, decreases as more fields are used to train the model in general. The uncertainties obtained by dropout variational inference are overestimated on all parameters in our case, in that the predictive uncertainty is much larger than the actual squared error, which is the square of the difference between the ground truth and prediction. After calibration, which consists of a simple σ scaling method, the average deviation of the predictive uncertainty from the actual error goes down to 25% at most (on A SN1).
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 | 0,005 | 0,018 |
| 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 | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».