A statistical framework for recovering intensity mapping autocorrelations from crosscorrelations
Notice bibliographique
Résumé
Intensity mapping experiments will soon have surveyed large swathes of the sky, providing information about the underlying matter distribution of the early universe. The resulting maps can be used to recover statistical information, such as the power spectrum, about the measured spectral lines (for example, HI, [CII], and [OIII]). However precise power spectrum measurements, such as the 21 cm autocorrelation, continue to be challenged by the presence of bright foregrounds and non-trivial systematics. By crosscorrelating different data sets, it may be possible to mitigate the effects of both foreground uncertainty and uncorrelated instrumental systematics. Beyond their own merit, crosscorrelations could also be used to recover autocorrelation information. Such a technique was proposed in Beane et al. (2019) for recovering the 21 cm power spectrum. Generalizing their result, we develop a statistical framework for combining multiple crosscorrelation signals in order to infer information about the corresponding autocorrelations. We do this first within the Least Squares Estimator (LSE) framework, and show how one can derive their estimator, along with several alternative estimators. We also investigate the posterior distribution of recovered autocorrelation and associated model parameters. We find that for certain noise regimes and cosmological signal modeling assumptions this procedure is effective at recovering autospectra from a set of crosscorrelations. Finally, we showcase our framework in the context of several near-future line intensity mapping experiments.
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 | 0,009 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».