抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層ニューラルネットワーク(DNN)は,弱いレンズ(WL)データセットから非Gauss情報を抽出することができることが証明されている強力なアルゴリズムである。データにおけるどの特徴がこれらの入れ子,非線形アルゴリズムの出力を決定するかを理解することは重要であるが,挑戦的なタスクである。WL収束(κ)のシミュレーションマップにおける宇宙論的パラメータを正確に回復するために,以前の研究で見出されたDNNを解析した。3つの一般的に用いられるWL統計(パワースペクトル,レンズピーク,およびMinkowski汎関数)の組み合わせから,光線追跡模擬κマップを用いて,宇宙パラメータ対(Ω_m,σ_8)に関する制約を導いた。ネットワークが,形状雑音の現実的レベルの存在下でも,この組合せに対して,推定パラメータ制約を20%まで改善できることを示した。DNNを解釈するために一連の良く確立された顕著性法を適用し,最も関連するピクセルが極端なκ値を持つものであることを見出した。無雑音マップでは,負のκを持つ領域は,入力空間における顕著性の二乗として定義されるDNN出力の属性の86~69%を占める。形状ノーズの存在下では,属性は,ΔΣ3σ_κを持つ領域の属性の36~68%で,高収束領域に集中していた。【JST・京大機械翻訳】