Accurate kappa reconstruction algorithm for masked shear catalog
Notice bibliographique
Résumé
Weak gravitational lensing is an invaluable tool for understanding fundamental cosmological physics. An unresolved issue in weak lensing cosmology is to accurately reconstruct the lensing convergence $\ensuremath{\kappa}$ maps from discrete shear catalog with survey masks, which the seminal Kaiser-Squire (KS) method is not designed to address. We present the accurate kappa reconstruction algorithm for masked shear catalog (AKRA) to address the issue of mask. AKRA is built upon the prior-free maximum-likelihood map making method (or the unbiased minimum variance linear estimator). It is mathematically robust in dealing with mask, numerically stable to implement, and practically effective in improving the reconstruction accuracy. Using simulated maps with mask fractions ranging from 10% to 50% and various mask shapes, we demonstrate that AKRA outperforms KS at both the map level and summary statistics such as the autopower spectrum ${C}_{\ensuremath{\kappa}}$ of the reconstructed map, its cross-correlation coefficient ${r}_{\ensuremath{\ell}}$ with the true $\ensuremath{\kappa}$ map, the scatter plot and the localization measure. Unlike the Wiener filter method, it adopts no priors on the signal power spectrum, and therefore avoids the Wiener filter related biases at both the map level and cross-correlation statistics. If we only use the reconstructed map in the unmasked regions, the reconstructed ${C}_{\ensuremath{\kappa}}$ is accurate to 1% or better and $1\ensuremath{-}{r}_{\ensuremath{\ell}}\ensuremath{\lesssim}1%$, even for extreme cases of mask fraction and shape. As the first step, the current version of AKRA only addresses the mask issue and therefore ignores complexities such as curved sky and inhomogeneous shape measurement noise. AKRA is capable of dealing with these issues straightforwardly, and will be addressed in the next version.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».