Cosmological Parameters from a re-analysis of the WMAP-7 low resolution maps
WMAP 7年数据的宇宙学参数重新分析，取代一个基于像素的似然估计公开交付的WMAP团队。我们的像素为基础的估计处理正是强度和偏振的联合方式，允许使用低分辨率的地图和噪声协方差矩阵在$T,Q,U$在相同的分辨率，这在这项工作中是3.6 $^\circ$。我们描述的功能和性能的代码实现我们的基于像素的似然估计。我们执行电池的测试我们的像素为基础的可能性例程WMAP公开可用的低分辨率前景清洁产品的应用程序，结合WMAP高$\ell$的可能性，报告宇宙学参数的差异评估的完整WMAP可能性公共包。差异不仅是由于治疗的偏振，但也边缘化的WMAP 7年像素似然代码的温度中实施的双极和偶极子的不确定性。可信的宇宙学参数的中心值的变化低于1 $σ$水平相对于评估的完整的WMAP 7年的似然代码，与最大的差异在一个移位到较小的值的标量光谱指数$n_S$。
2013-03-19 astro-ph.CO
Lossless, Scalable Implicit Likelihood Inference for Cosmological Fields
我们提出了一个比较基于模拟的推理，以充分，基于场的宇宙数据分析的分析推理。要做到这一点，我们探讨两种情况下的信息内容是可计算的参数推断分析：高斯随机场的协方差取决于参数通过功率谱;和相关的对数正态场与宇宙功率谱。我们比较两种推理技术：i）使用已知似然的显式字段级推理和ii）通过信息最大化神经网络（IMNN）压缩的最大信息汇总统计量的隐式似然推理。我们发现，a）从卷积神经网络压缩获得的摘要不会丢失信息，因此对于高斯协方差和对数正态情况都使已知的字段信息内容饱和，b）使用这些信息量最大的非线性摘要的基于模拟的推断几乎可以恢复字段级推断的精确后验，绕过评估昂贵的似然或逆协方差矩阵的需要，以及c）即使对于这个简单的例子，隐式的、基于模拟的似然性也比利用显式似然性的推断引起小得多的计算成本。这项工作使用了一个新的IMNNs实现在$\texttt{Jax}$，可以充分利用可微分的模拟和推理流水线。我们还证明了一个单一的再训练的IMNN摘要有效地实现了理论上的最大信息，增强了鲁棒性的基准模型的选择，其中IMNN的训练。
2021-07-17 astro-ph.CO
Non-Gaussianity in the Weak Lensing Correlation Function Likelihood -- Implications for Cosmological Parameter Biases
研究了弱透镜剪切两点关联函数的似然性中非高斯性的重要性，在模拟的弱透镜数据中检测到剪切两点关联函数的一维边缘分布中显著的非零偏度和峰度。我们研究的背景下，未来的调查，特别是LSST的影响，如何与调查区域的非高斯尺度的推导。我们发现，由于使用模拟数据（$100$ deg $^{2}$）的剪切相关函数的非高斯似然分布，$Ω_{\rm m}$和$σ_{\rm 8}$的一维后验没有显着的偏差。我们还提出了一个系统的方法来构建近似的多变量似然与一维参数函数，假设独立或更灵活的非参数多变量方法后，使用主成分分析（PCA）的数据点去相关。虽然PCA的使用并没有改变多变量似然的非高斯性，但我们发现PCA分量的一维边缘采样分布比原始剪切关联函数表现出更小的偏度和峰度。基于PCA分量之间独立性的假设，用边缘参数函数建模似然给出了偏差的下限。我们进一步证明了多元高斯似然模型和更复杂的非高斯似然模型之间的宇宙学参数约束的差异将更小的LSST类调查。此外，PCA方法自动作为一种数据压缩方法，使保留的大部分宇宙学信息，同时减少了数据向量的维数的一个因素的$\sim$ 5。
2020-11-10 astro-ph.CO
Improved renormalization group computation of likelihood functions for cosmological data sets
宇宙学大尺度结构数据集（包括CMB、星系红移巡天等）的似然函数评估自然涉及边缘化，即，积分，在未知的底层随机信号场上进行。最近，我展示了如何使用重整化群方法来有效地进行这种积分，首先积分出最小尺度结构，即，局部化的结构在附近的数据单元格之间的差异的尺度上，然后在粗粒化步骤中组合相邻的单元格，然后一遍又一遍地重复该过程，直到所有尺度都被整合。在这里，我以几种方式扩展了该公式，以减少该方法的线性缩放与数据集大小的前因子。关键的改进是显示了如何在粗粒化步骤中将特定相邻细胞之间的差异相加之前将其整合出来，与原始配方相比，原始配方中更普遍地整合了小规模波动。我建议在该方案的细节上进行一些其他改进，包括展示如何围绕底层随机场的极大似然估计进行积分。最后，在我的笔记本电脑上，一个百万单元格高斯测试数据集的精确似然计算在两分钟内运行，还有进一步优化和直接并行化的空间。
2019-06-21 astro-ph.CO
Extracting cosmological information from the abundance of galaxy clusters with simulation-based inference
针对星系团计数宇宙学分析中显式似然函数精度难达、计算昂贵的问题，本研究提出基于模拟推理（SBI）的方法，仅用合成目录实现分析，验证显示其与显式似然结果偏差小，还首次完成真实样本的SBI星系团计数分析。
2025-04-14 astro-ph.CO
Anthropic Likelihood for the Cosmological Constant and the Primordial Density Perturbation Amplitude
温伯格等人使用一个模型计算了宇宙学常数的人择可能性，该模型假设观测者的数量与引力坍缩物体的总质量成正比，质量大于某个阈值，在t \rightarrow \infty。我们认为温伯格的模型偏向于小Λ，为了避免这种偏差，我们修改了他的模型，使观察者的数量与坍缩物体的数量成正比，质量和时间等于某些首选的质量和时间尺度。与Weinberg模型相比，该模型给出了较低的人为似然性Λ 0（T+（Λ 0）~ 5%）。另一方面，原始密度扰动振幅从这个模型的人为可能性是高的，而从温伯格的模型的可能性是低的。此外，观察者会受到坍缩物体的历史的影响，我们介绍了一种方法来计算Λ和Q的人择似然从质量历史使用扩展的Press-Schechter形式主义。这种方法得到的$Λ$和Q的人择似然性与我们的单质量约束模型相似，但是，与使用总是在Λ和Q之间退化的单质量约束模型不同，使用质量历史模型的结果是稳健的，即使我们允许Λ和Q都变化。在Λ（pocketbasedmultiverse measure）的Weinberg平坦先验分布的情况下，我们的质量历史模型给出T+（Λ_0）~ 10%，而标度因子截断测度和因果补丁测度给出T+（Λ_0）\geq 30%.
2012-01-12 astro-ph.CO
Test of Artificial Neural Networks in Likelihood-free Cosmological Constraints: A Comparison of IMNN and DAE
在用哈勃观测数据和Ia型超新星观测数据约束宇宙学参数的过程中，屏蔽自回归流和去噪自编码器的结合可以取得较好的效果。上述组合使用DAE提取OHD的特征，并使用MAF估计宇宙学参数的后验分布。我们问，我们是否可以找到一个更好的工具来压缩大数据，以获得更好的结果，同时限制宇宙学参数。信息最大化神经网络是较早提出的一种基于仿真的机器学习技术。在一系列的数值例子中，结果表明，IMNN可以找到最佳的，非线性的总结鲁棒。在这项工作中，我们主要比较IMNN和DAE的降维能力。我们使用IMNN和DAE将数据压缩到不同的维度，并为MAF设置不同的学习率来计算后验。同时，训练数据和模拟OHD生成一个简单的高斯似然，空间平坦的ΛCDM模型和真实的OHD数据。为了避免直接比较后验的复杂计算，我们设置了不同的标准来比较IMNN和DAE。
2023-03-21 astro-ph.CO
Cosmological measurements from the CMB and BAO are insensitive to the tail probability in the assumed likelihood
该研究通过将高斯似然替换为多元t分布测试尾概率影响，发现当前CMB和BAO测量对似然尾概率不敏感，似然形状和尾部不确定性不导致现有数据张力。
2024-03-06 astro-ph.CO
Renormalization group computation of likelihood functions for cosmological data sets
我展示了如何一个重整化群（RG）方法可以用来逐步集成的宇宙学大尺度结构数据集（包括CMB，星系红移调查等）的信息。我展示了高斯场的数值测试，该方法允许任意接近精确计算似然函数的顺序$\sim N$时间，即使是没有对称性的问题，相比之下，$N^3$蛮力线性代数（其中$N$是数据点的数量--公平地说，已经存在在最坏的$N \log N$时间内解决高斯问题的方法，并且该方法在实践中不一定更快）。该方法不需要采样或其他Monte Carlo（随机）元素。非线性/非高斯性可以考虑到通过积分出小尺度模式生成的项可以被投影到足够的基础上的程度，例如，至少在足够扰动的情况下。评估的公式是直接的，不需要理解量子场论，但本文也可以作为一个教学介绍威尔逊RG天文学家。
2018-10-19 astro-ph.CO
Procoli: Profiles of cosmological likelihoods
本文提出可获取宇宙学轮廓似然的开源软件包 Procoli，集成 MontePython 与 CLASS，采用模拟退火和顺序计算，并以早期暗能量模型验证其优化与分解实验贡献的能力。
2024-01-25 astro-ph.CO
Likelihood-Free Cosmological Inference with Type Ia Supernovae: Approximate Bayesian Computation for a Complete Treatment of Uncertainty
当复杂的数据生成过程不能用简单的概率分布来建模时，宇宙学的推断变得越来越困难。随着宇宙学中数据集规模的不断增加，适当建模的负担越来越重;模型中的系统误差将在以前被统计误差淹没的地方占主导地位。例如，高斯分布不足以表示光度红移等量的误差。同样，可能难以分析地量化在复杂拟合代码中引入的误差的分布。如果没有这些分布的简单形式，就很难准确地构建数据的似然函数作为感兴趣的参数的函数。近似贝叶斯计算（ABC）提供了一种手段，探测后验分布时，直接计算一个足够准确的可能性是棘手的。ABC允许人们绕过直接计算可能性，而是依赖于模拟生成数据的前向过程的能力。这些模拟可以自然地包含放置在滋扰参数上的先验，因此这些可以以自然的方式被边缘化。我们提出并讨论ABC方法的背景下，超新星宇宙学使用的数据从SDSS-II超新星调查。假设一个平坦的宇宙学和恒定的暗能量状态方程，我们证明了ABC可以恢复一个准确的后验分布。最后，我们表明，ABC仍然可以产生一个准确的后验分布时，我们污染的样本与IIP型超新星。
2013-01-29 astro-ph.CO
Efficient cosmological parameter sampling using sparse grids
我们提出了一种新的方法，显着加快宇宙学参数采样。该方法依赖于构造一个插值的CMB对数似然稀疏网格的基础上，这是作为一个快捷的似然评估。我们在参数空间中的一个大区域内获得了优异的结果，包括约25个对数似然峰周围，我们几乎完美地再现了一维投影的可能性。在速度和精度方面，我们的技术与现有的基于多项式插值或神经网络的参数估计加速方法相比具有竞争力，同时具有一定的优势。在我们的方法中，没有产生非物理摆动的危险，因为它可以是高次多项式拟合的情况。此外，我们不需要像神经网络那样长的训练时间，但是插值的构造由评估采样点处的似然性所花费的时间来确定，这可以并行到任意程度。我们的方法是完全通用的，它可以自适应地利用底层函数的属性。因此，我们可以将其应用于任何需要精确插值函数的问题。
2010-03-19 astro-ph.CO
CosmoLike - Cosmological Likelihood Analyses for Photometric Galaxy Surveys
我们探索的战略，以提取宇宙学的约束，从宇宙剪切，星系-星系透镜，星系团，集群数量计数和集群弱透镜的联合分析。我们利用CosmoLike软件模拟LSST数据集的结果，具体来说，我们1）比较不同探测器的单独和联合分析，2）改变透镜和源星系的选择标准，3）调查混合的影响，4）调查假设的宇宙学模型在多探测器协方差中的影响，6）量化作为尺度函数的信息内容，和7）探索在多探测器背景下内在星系排列的影响。我们的分析考虑了探针内和探针间的所有互相关，并包括多探针协方差矩阵中的高阶（非高斯）项。我们同时模型的宇宙学参数和各种系统学，例如剪切和photo-z校准，集群质量可观测的关系，星系的内在排列，和星系偏差（共54个参数）所产生的不确定性。我们强调两个结果：首先，将源星系的数量密度增加约30%，这相当于解决LSST的混合，只能获得很少的信息。其次，通过利用HOD，将小尺度纳入集群和星系-星系透镜中，可以大大增强宇宙学约束力。本文中用于计算结果的CosmoLike模块将在https://github.com/elikrause/CosmoLike_Forecasts上公开提供。
2016-01-21 astro-ph.CO
CLiENT: A new tool for emulating cosmological likelihoods using deep neural networks
Aarhus University（奥胡斯大学）；University of Zurich（苏黎世大学）
本文提出CLiENT，一种利用深度神经网络直接模拟数据集似然函数的方法，相比传统观测模拟方法，具有自动生成可微分代理似然函数的优势，能够在较少函数评估次数下获得高精度的置信区间和参数空间内的χ²精度。
2026-06-04 astro-ph.CO astro-ph.IM
Assumptions of the primordial spectrum and cosmological parameter estimation
微扰宇宙的观测量，CMB各向异性和大结构，取决于一组宇宙学参数，以及原始微扰的假设性质。特别是，原始功率谱（PPS）的形状充其量是一个很好的动机假设。已知在宇宙学参数估计中PPS的假定函数形式会影响最佳拟合参数及其相对置信限。在本文中，我们证明了一个特定的假设形式，实际上驱动最佳拟合参数到不同的盆地的可能性在宇宙学参数的空间，其中的可能性抵制通过修改PPS的改进。允许自由形式的PPS位于这些盆地之外的区域，其中获得了相当好的可能性。在缺乏一个更好的暴胀模型的情况下，这引起了人们的关注，即当前的宇宙学参数估计受到PPS假设形式的强烈影响。我们的研究结果强烈激励的方法同时估计的宇宙学参数和形状的原始光谱即将到来的宇宙学数据。同样重要的是，理论家要对产生PPS特征的早期宇宙情景保持开放的心态。
2012-04-05 astro-ph.CO
CFHTLenS: A Gaussian likelihood is a sufficient approximation for a cosmological analysis of third-order cosmic shear statistics
利用物质双谱研究了加拿大-法国-夏威夷透镜巡天（CFHTLenS）中三重态源间剪切信号的相关性，以探测宇宙学参数。与以前的研究相比，我们采用了一个非高斯模型的数据可能性，这是支持我们的模拟调查。我们发现，对于最先进的调查，类似于CFHTLenS，高斯似然分析是一个合理的近似，尽管参数约束的小差异已经可见。对于未来的调查，我们预计高斯模型将变得不准确。我们的算法，一个精致的非高斯分析和数据压缩，然后是非常有用的，特别是因为它不是更详细，如果模拟数据可用。将该算法应用于单剪切的三阶关联的盲分析中，我们发现与标准宇宙学模型很好的一致：对于具有$h=0.7\pm0.04$（$68\%$可信区间）的平坦$Λ\rm CDM$宇宙学，$Σ_8$ = $σ_8$ $(Ω_{\rm m}/0.27)^{0.64}$ = $0.79^{+0.08}_{-0.11}$。然而，我们的模型仅提供了$χ^2/{\rm dof}=2.9$所示的中等良好拟合，包括$20\%$ r.m.s.预测信号幅度的不确定性。该模型不能解释信号下降的规模约15弧分，这可能是由系统性。目前还不清楚这种差异是否可以完全解释剩余PSF系统，我们发现证据，至少在几个弧分的规模。因此，我们需要更好地理解宇宙剪切的高阶相关性及其系统学，以便有信心地将它们作为宇宙学探测器。
2015-02-17 astro-ph.CO
Massive optimal data compression and density estimation for scalable, likelihood-free inference in cosmology
宇宙学中的许多统计模型可以向前模拟，但具有难以处理的似然函数。无似然推理方法允许我们仅使用正向模拟从这些模型执行贝叶斯推断，而不需要任何似然假设或近似。无可能性推理一般涉及模拟模拟数据并与观察数据进行比较;数据空间中的这种比较受到维数灾难的影响，需要将数据压缩为少量的汇总统计量才能处理。在本文中，我们使用大规模的渐近最优数据压缩，以减少数据空间的维数，每个参数只有一个数字，提供了一个自然和最佳的框架，总结统计选择的似然性自由推断。其次，我们提出了第一个宇宙学应用的密度估计似然自由推理（\textsc{delfi}），它学习一个参数化模型的数据和参数的联合分布，产生参数后验和模型证据。这种方法在概念上是简单的，需要更少的调整比传统的近似贝叶斯计算方法的似然自由推理，可以给高保真后验从数量级更少的前向模拟。作为额外的奖励，它可以同时进行参数推断和贝叶斯模型比较。我们展示了密度估计似然自由推断与大量的数据压缩的联合光变曲线分析超新星数据的分析，作为一个简单的验证案例研究。我们表明，高保真后验推理是可能的全尺寸的宇宙学数据分析与少的$\sim 10^4$模拟，与进一步改进的实质性范围，展示了大而复杂的宇宙学数据集的似然性无推理的可扩展性。
2018-03-26 astro-ph.CO
TEASING: a fast and accurate approximation for the low multipole likelihood of the Cosmic Microwave Background temperature
我们使用自适应重要性采样器探索掩蔽CMB温度图的角谱C（l）的低l似然性。我们发现，尽管部分天空覆盖，每个C（1）的似然分布密切遵循逆伽马分布。我们的探索是足够准确的测量逆伽马参数以及多极子之间的相关性。这些量用于构建低l似然的联合后验分布的近似。建议的近似的准确性建立使用统计准则和模拟宇宙学参数拟合。当应用于WMAP5数据集时，这种近似产生与当前最佳技术相同精度水平的宇宙学参数估计，但具有非常显着的速度增益。
2009-01-28 astro-ph.CO
Parameter likelihood of intrinsic ellipticity correlations
本文研究了由星系耦合角动量引起的星系间椭圆率排列的统计特性。从物理角动量模型出发，我们弥合了差距对椭圆率相关性，椭圆率谱和导出量，如孔径矩，比较的内在信号与那些产生的引力透镜，与预计的星系样本EUCLID铭记。我们调查的依赖性的内在椭圆相关性的宇宙学参数，并表明，内在椭圆相关性引起非高斯似然作为非线性函数依赖的结果。比较内禀椭圆率谱弱透镜谱，我们量化的宇宙学参数的估计上的污染影响的大小，并发现，暗能量参数的偏差是非常小的角动量为基础的模型，而通常使用的线性对齐模型。最后，我们量化是否可以测量的存在下，更强的弱透镜引起的椭圆相关性的内在椭圆，如果先验知识的宇宙模型假设。
2012-07-25 astro-ph.CO
Impact of non-Gaussian likelihood on cosmological constraints from the thermal Sunyaev--Zel'dovich power spectrum: a simulation-based inference analysis
Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所）；Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡弗里宇宙学研究所）；Cavendish Astrophysics, University of Cambridge（剑桥大学卡文迪许天体物理学）
利用基于模拟的推断方法，检验标准高斯似然在Planck-like tSZ分析中的准确性，发现高斯假设给出无偏约束，而SBI方法显示前景残差后验分布略有展宽。
2026-06-15 astro-ph.CO astro-ph.IM
Caching and Interpolated Likelihoods: Accelerating Cosmological Monte Carlo Markov Chains
我们描述了一种新的方法来加速蒙特卡罗马尔可夫链。我们的重点是宇宙学参数估计，但该算法适用于任何问题的可能性表面是一个光滑的函数的自由参数和计算昂贵的评估。我们使用马尔可夫链收集的第一个点作为训练集，生成一个高阶插值多项式的对数似然。然后，该多项式精确地计算链的后半部分所需的大部分似然。我们实现了一个简单的版本，这个算法作为一个补丁（InterpMC）的CosmoMC，并表明它加速参数估计的一个因素之间的两个和四个良好收敛的链。目前的代码主要是作为一个“概念证明”，我们认为，有相当大的空间，进一步提高性能。与其他加速参数拟合的方法不同，我们不使用预先计算的训练集或特殊的变量选择，InterpMC对用户几乎完全透明。
2011-02-03 astro-ph.CO astro-ph.IM
Agnostic cosmology in the CAMEL framework
宇宙学参数估计传统上是在贝叶斯上下文中进行的。通过采用“不可知论”的统计观点，我们表现出的兴趣，面对贝叶斯结果的频率论的方法的基础上配置文件的可能性。为此目的，我们开发了宇宙学分析与一个Minuit探索的Likeplane（“CAMEL”）软件。用纯C++从头开始编写，重点是构建一个干净且精心设计的项目，其中可以轻松包含新数据和/或宇宙学计算。CAMEL结合了最新的宇宙学似然，并从同一输入文件中提供了几种估计方法：（i）使用MANUIT的高质量极大似然估计（又名“最佳拟合”）;（ii）轮廓似然，（iii）自适应Metropolis MCMC算法的新实现，减轻了重建建议分布的负担。我们在这里介绍这些不同的统计技术，并推出一个完整的用例，然后可以用作教程。我们重新审视了$Λ$ CDM参数的确定与最新的普朗克数据，并给出了结果与两种方法。此外，通过比较贝叶斯和频率论的方法，我们讨论了“似然体积效应”，影响光学再电离深度时，分析高多极普朗克数据的一部分。该软件用于几个普朗克数据分析，可从http://camel.in2p3.fr获得。使用它不需要高级C++技能。
2016-07-11 astro-ph.CO
cloelike: A Python Library for Cosmological Likelihood Inference in the Euclid Era
Waterloo Centre for Astrophysics, University of Waterloo（滑铁卢天体物理中心，滑铁卢大学）；Leiden Observatory, Leiden University（莱顿天文台，莱顿大学）；Centre for Astrophysics Research, University of Hertfordshire（天体物理学研究中心，赫特福德大学）；Scientific Information, German Aerospace Center (DLR)（科学信息部，德国航空航天中心）；INAF - Osservatorio Astronomico di Trieste（意大利国家天体物理研究所 - 的里雅斯特天文台）；INAF - Osservatorio Astronomico di Brera（意大利国家天体物理研究所 - 布雷拉天文台）；Institute of Space Sciences (ICE, CSIC)（空间科学研究所）；INAF - IASF Milano（意大利国家天体物理研究所 - 米兰天体物理研究所）；Astronomical Institute (AIRUB), Ruhr University Bochum（天文研究所，鲁尔大学波鸿分校）；Department of Physics, University of Oxford（物理系，牛津大学）；Dipartimento di Fisica "Aldo Pontremoli", Università degli Studi di Milano（物理系，米兰大学）；IRAP, Université de Toulouse（天体物理研究所，图卢兹大学）；Osservatorio Astronomico di Roma（罗马天文台）；Mullard Space Science Laboratory, University College London（穆拉德太空科学实验室，伦敦大学学院）；Software Institut d’Estudis Espacials de Catalunya (IEEC)（加泰罗尼亚空间研究研究所）
本文介绍cloelike，一个为ESA欧几里得空间任务的主要宇宙学大尺度结构观测量提供模块化、可组合的高斯似然类的Python包，是CLOE生态系统的核心组件。
2026-05-22 astro-ph.CO astro-ph.IM
Cosmoglobe: Towards end-to-end CMB cosmological parameter estimation without likelihood approximations
本文在Commander中实现了Racine等人提出的宇宙学参数估计算法，通过半真实Planck LFI 70 GHz模拟量化了其计算成本，证明了无似然近似的端到端贝叶斯CMB参数估计的计算可行性，并指出未来需进一步优化以降低每个独立样本的有效成本。
2023-10-31 astro-ph.CO
Cosmological parameters from the likelihood analysis of the galaxy power spectrum and bispectrum in real space
本文给出了实空间中晕圈功率谱和双谱的联合似然分析。我们利用了一个大的数值模拟和一个更大的一组晕模拟目录的协方差特性提供了一个强大的估计。我们推导出的偏见和宇宙学参数的约束，假设一个理论模型从微扰理论在一个循环的功率谱和树水平的双谱。通过偏差信息准则，我们选择了一个依赖于七个参数的参考偏差模型，该模型可以描述功率谱的$k_{\rm max,P}=0.3\, h \, {\rm Mpc}^{-1}$和双谱的$k_{\rm max,B}=0.09\, h \, {\rm Mpc}^{-1}$，在红移$z=1$。该模型即使在$1000\, h^{-3} \, {\rm Gpc}^3$相当极端的总模拟体积下也能准确地恢复三个选定的宇宙学参数。使用相同的工具，我们研究了偏置参数之间的关系如何在减少参数空间的同时提高拟合度。此外，我们比较了常见的近似值的协方差矩阵对完整的协方差估计从模拟，并量化（不可忽略的）忽略两个统计之间的互协方差的影响。最后，我们探讨了不同的选择标准的三角形的配置，包括在分析中，显示，排除近等边三角形，而不是简单地施加一个固定的最大值$k_{\rm max,B}$的所有三角形的边可以导致更好地利用所包含的信息的双谱。
2021-11-22 astro-ph.CO
Development of an Ultra-fast, Likelihood-based, Distance Inference Framework for the Next Generation of Type Ia Supernova Surveys
本文提出EDRIS框架，通过将数据截断纳入统计模型并最大化似然，实现Ia型超新星距离的无偏快速推断，时间复杂度O(N²)，1500颗超新星约10秒完成。
2025-04-22 astro-ph.CO
Likelihood-free inference with neural compression of DES SV weak lensing map statistics
在许多宇宙学推论问题中，似然（观测数据的概率作为未知参数的函数）是未知的或难以处理的。这就需要近似和假设，这可能导致对宇宙学参数的错误推断，包括暗物质和暗能量的性质，或者产生人为的模型张力。似然自由推理涵盖了一系列新的方法，使用模拟数据的正向建模来严格估计参数的后验分布。我们提出了似然自由宇宙学参数推断使用弱透镜映射从暗能量调查（DES）SV数据，使用神经数据压缩的弱透镜映射汇总统计。我们使用深度卷积神经网络探索透镜质量图的功率谱、峰值计数和神经压缩摘要的组合。我们展示了验证推理过程的方法，包括数据建模和概率密度估计步骤。似然自由推断提供了一个强大的和可扩展的替代方案，严格的大规模宇宙学推断与星系调查数据（DES，欧几里得和LSST）。我们已经公开了我们的模拟透镜图。
2020-11-16 astro-ph.CO astro-ph.IM
Calibrating cosmological simulations with implicit likelihood inference using galaxy growth observables
在一种新的方法，采用隐式似然推理（ILI），也被称为无似然推理，我们校准宇宙学流体动力学模拟的参数对观测，这是以前不可行的，由于这些模拟的高计算成本。为了提高计算效率，我们训练神经网络作为模拟器对~1000宇宙学模拟从CAMELS项目估计模拟观测，作为输入的宇宙学和天体物理参数，并使用这些模拟器作为代理人的宇宙学模拟。使用宇宙恒星形成率密度（SFRD），分别，恒星质量函数（SMF）在不同的红移，我们执行ILI选定的宇宙学和天体物理参数（Ω_m，σ_8，恒星风反馈，动力学黑洞反馈），并获得完整的6维后验分布。在性能测试中，仿真的SFRD（SMF）的ILI可以恢复目标观测量的相对误差为0.17%（0.4%）。我们发现，简并之间存在的参数推断仿真SFRD，证实了新的完整的宇宙学模拟。我们还发现，SMF可以打破SFRD的简并性，这表明SMF为参数提供了补充约束。此外，我们发现，从观测推断SFRD推断的参数组合再现目标观测SFRD非常好，而在SMF的情况下，推断和观察到的SMF显示出显着的差异，表明当前星系形成建模和校准框架的潜在限制，和/或系统的差异和恒星质量函数的观测之间的不一致。
2022-11-29 astro-ph.CO astro-ph.GA
Covariance shrinkage for cosmological inference with Sellentin-Heavens-type likelihoods
University of Campania “Luigi Vanvitelli”（坎帕尼亚路易吉·凡维泰利大学）
研究在有限模拟样本下协方差矩阵的收缩正则化方法，提出将收缩强度作为辅助推断量并边缘化其不确定性，以改进参数后验校准。
2026-06-18 astro-ph.CO astro-ph.IM stat.ME
Bayesian optimisation for likelihood-free cosmological inference
许多宇宙学模型只有有限数量的感兴趣的参数，但是非常昂贵的数据生成过程和难以处理的似然函数。我们解决的问题，执行无似然贝叶斯推断，从这样的黑盒模拟为基础的模型，在一个非常有限的模拟预算的约束下（通常是几千）。为此，我们采用了一种基于替代参数模型的可能性的方法。传统的方法来近似贝叶斯计算，如无似然拒绝抽样是不切实际的考虑的问题，由于缺乏知识的参数如何影响观测数据和模拟数据之间的差异。作为回应，我们使用了之前在机器学习文献中开发的策略（贝叶斯无似然推理优化，BOLFI），该策略将差异的高斯过程回归与贝叶斯优化相结合，以构建替代曲面，从而主动获取训练数据。我们扩展的方法，通过推导出一个采集函数量身定制的目的，最大限度地减少预期的不确定性的近似后验密度，在参数的方法。由此产生的算法适用于总结高斯信号和推断宇宙学参数的联合光曲线分析超新星数据的问题。我们表明，所需的模拟的数量减少了几个数量级，建议的采集功能产生更准确的后验近似，相比常见的策略。
2018-09-13 astro-ph.CO astro-ph.IM stat.AP
Exact joint likelihood of pseudo-$C_\ell$ estimates from correlated Gaussian cosmological fields
我们提出了精确的联合似然伪$C_\ell$功率谱估计测量任意数量的高斯宇宙学领域。我们的方法适用于自旋0场和自旋2场，包括两者的混合，并与宇宙微波背景，弱透镜和星系聚类分析有关。我们表明高斯宇宙场被掩模混合，以保持其高斯性，而无需对掩模几何形状做出任何假设。然后，我们表明，每个自动或交叉的伪$C_\ell$估计可以写成二次型，并应用已知的联合分布的二次型，以获得确切的联合似然的一组伪$C_\ell$估计在存在一个任意的掩码。考虑到宇宙微波背景的偏振作为一个例子，我们使用模拟，我们的可能性恢复$EE$，$BB$和$EB$伪$C_\ell$功率谱的完整，准确的多元分布。我们的方法提供了一个强大的宇宙学约束，从未来的宇宙微波背景和大尺度结构调查的时代，不断增加的统计精度。
2019-12-06 astro-ph.CO astro-ph.IM physics.data-an
Cosmological Inference from Galaxy-Clustering Power Spectrum: Gaussianization and Covariance Decomposition
从星系巡天中得到的两点聚类统计的似然拟合通常假设测量值为多元正态分布，并基于中心极限定理给出大量的过密度模式。然而，这种假设不能保持在最大规模的模式的数量是低的。虽然更准确的分布以前已经开发出理想化的情况下，我们推导出一个程序，适合于分析测量的功率谱与窗口效应，随机散粒噪声，并依赖于模型的协方差矩阵被拟合所有考虑。提出了一种数据变换，给出一个近似高斯似然，方差相关分解的协方差矩阵，以考虑其宇宙学的依赖性。通过与通常的正态假设下得到的修正的$t$似然比较，我们发现在数值试验中，我们的新方法对局部非高斯参数$f_\mathrm{NL}$给出了更精确的约束，而局部非高斯参数对大尺度功率是敏感的.一个简单的数据分析管道提供了这种新的方法在准备即将到来的大型星系调查，如DESI和欧几里得的直接应用。
2019-04-19 astro-ph.CO
Cosmological Parameters from CMB Maps without Likelihood Approximation
我们提出了一个有效的贝叶斯MCMC算法估计宇宙学参数的CMB数据，而不使用似然近似。它建立在先前开发的吉布斯采样框架之上，该框架允许探索联合CMB天空信号和功率谱后验P（s，Cl| d），并且解决了在高和低信噪比状态下同时进行有效参数估计的长期存在的问题。为了实现这一目标，我们的新算法引入了一个联合马尔可夫链移动，其中信号图和功率谱同步修改，通过重新缩放的地图，根据建议的功率谱之前评估的Metropolis-Hastings接受概率。Jewell等人（2009年）已经引入了这种移动，他们使用它来探索低信噪比后验。然而，他们还发现，相同的算法在高信噪比条件下效率低下，因为暴力重新缩放操作不能考虑相位信息。在新算法中，通过在重新缩放之前从所提出的映射中减去维纳滤波器均值场来缓解该问题，从而在联合步骤中保持高信噪比信息不变，并且有效地仅重新缩放低信噪比分量。为了探索完整的后验，新的联合移动然后与标准的条件吉布斯天空地图移动交错。我们将我们的新算法应用于简化的模拟，我们可以评估精确的后验来研究其准确性和性能，并找到与精确后验的良好一致性;边际均值小于0.006 sigma，标准差优于3%。马尔可夫链相关长度与现场其他标准采样器获得的相关长度具有相同的数量级。
2016-03-28 astro-ph.CO
Cosmological Parameter Estimation with a Joint-Likelihood Analysis of the Cosmic Microwave Background and Big Bang Nucleosynthesis
New York University（纽约大学）；Princeton University（普林斯顿大学）；Flatiron Institute（平顿研究所）；Boston University（波士顿大学）；University of Chicago（芝加哥大学）；Fermi National Accelerator Laboratory（费米国家加速器实验室）；Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）
本文通过联合分析CMB和BBN数据，利用贝叶斯推断确定有效中微子种类数，并评估Lambda冷暗物质模型的可靠性。
2025-11-27 astro-ph.CO hep-ph
PROSPECT: A profile likelihood code for frequentist cosmological parameter inference
针对贝叶斯宇宙学参数推断受参数化和先验选择影响的问题，研究团队提出了频率学派的轮廓似然代码PROSPECT，兼容cobaya与MontePython，可用于分析先验与参数化对结论的影响。
2024-12-09 astro-ph.CO astro-ph.IM hep-ph
On the Validity of Cosmological Fisher Matrix Forecasts
我们提出了一个比较的Fisher矩阵预测宇宙学探针与蒙特卡罗马尔可夫链（MCMC）后验似然估计方法。我们分析了未来的暗能量任务组（DETF）的第三阶段和第四阶段暗能量调查使用超新星，重子声学振荡和弱透镜作为探针的性能。我们特别关注暗能量状态方程参数w 0和wa。对于纯粹的几何探针，特别是当边缘化超过wa，我们发现这两种方法之间存在相当大的分歧，因为在这种情况下，Fisher矩阵不能再现高度非椭圆形状的似然函数。更定量地，Fisher方法低估了30%-70%之间的纯几何探针的边缘化误差。对于包括弱透镜效应等结构形成的情况，我们发现Fisher矩阵估计的后验概率轮廓与MCMC轮廓吻合良好，预测误差仅在5%的水平上变化。然后，我们探索非线性变换导致的物理动机的参数，并调查这些参数化是否表现出高斯行为。我们的结论是，对于纯粹的几何探针，更一般地说，在不知道可能性是否接近高斯的情况下，Fisher矩阵不是产生可靠预测的适当工具。
2012-06-01 astro-ph.CO
Partition function approach to non-Gaussian likelihoods: Formalism and expansions for weakly non-Gaussian cosmological inference
本文提出将正则配分函数构建为贝叶斯证据的拉普拉斯变换，通过微分对数配分函数计算后验累积量以处理宇宙学中的非高斯似然，并验证了其与DALI展开、Hamilton Monte-Carlo及Cramér-Rao界限的联系。
2022-12-06 astro-ph.CO physics.data-an
Constraining Cosmological Parameters with Needlet Internal Linear Combination Maps II: Likelihood-Free Inference on NILC Power Spectra
本研究提出NILC加权方案结合无似然推断，利用非高斯信息约束宇宙学参数，相比传统MFPS方法可使成分振幅参数的二维68%置信区面积缩小60%，适用于原初B模搜索。
2024-06-24 astro-ph.CO
Hybrid SBI or How I Learned to Stop Worrying and Learn the Likelihood
本文提出混合模拟推断（HySBI）框架，将大尺度微扰方法与小尺度条件模拟隐式推断相结合，仅用小体积模拟即可跨尺度约束宇宙学参数，显著优于经典PT方法并大幅降低计算成本。
2023-09-19 astro-ph.CO
Lifting weak lensing degeneracies with a field-based likelihood
我们提出了一种基于场的方法来分析宇宙剪切数据，以联合推断宇宙学参数和暗物质分布。这种正演模拟方法对宇宙学参数和初始物质波动进行采样，使用物理引力模型将原始波动与非线性物质分布联系起来。通过前向模型对宇宙学参数进行采样和更新，改变（1）初始物质功率谱，（2）通过距离-红移关系的几何形状，以及（3）结构和光锥效应的增长。我们的方法比基于两点统计的方法从数据中提取更多的信息。我们发现，这种基于场的方法解除了宇宙学物质密度，$Ω_\mathrm{m}$，和波动幅度，$σ_8$之间的强简并，这些参数提供严格的约束，从弱透镜数据单独。在模拟的四箱层析实验中，我们认为，基于字段的可能性产生的边际不确定性$σ_8$和$Ω_\mathrm{m}$，分别是一个因素3和5比那些从两点功率谱分析应用于相同的基础数据。
2021-11-03 astro-ph.CO astro-ph.IM
On the assumption of Gaussianity for cosmological two-point statistics and parameter dependent covariance matrices
在这篇简短的论文中，我们重新审视Fisher信息内容的宇宙学功率谱或两点函数的高斯场，以评论高斯估计的假设和使用参数依赖的协方差矩阵的参数推断的背景下，精密宇宙学。即使高斯似然的假设是由中心极限定理的动机，我们讨论，它会导致违反Cramér-Rao界的Fisher信息内容，如果使用一致，由于独立的，但人为的信息，从参数依赖的协方差矩阵。在任何固定的多极，这个人工长期的情况下，大量的相关领域成为主导地位。虽然估计量的分布确实倾向于具有大量模式的高斯分布，但是，它表明，它的Fisher信息内容并不，在这个意义上说，它们的协方差矩阵从来没有携带独立的信息内容，正是因为非高斯形状的分布。在这方面，我们讨论了使用参数依赖的协方差矩阵与高斯似然参数推断两点统计。作为经验法则，高斯似然应始终与参数空间中固定的协方差矩阵一起使用，因为只有这样才能保证将保守的信息内容分配给可观测量，同时防止出现偏差。
2013-04-18 astro-ph.CO
Combining cosmological constraints from cluster counts and galaxy clustering
目前和未来的大尺度巡天提供了有希望的宇宙学探测。例如，暗能量巡天（DES）预计将探测到约3亿个星系和数千个红移约1.3的星系团。我在这里显示正在进行的工作，结合两个探头的大尺度结构：集群数量计数和星系2点函数（在实或谐波空间）。晕模型（耦合到晕占领分布）可以用来模拟这些探头之间的互协方差，我介绍了一种图解方法来轻松计算所涉及的不同条款。此外，我计算联合非高斯似然，使用Gram-Charlier系列。然后，我将展示如何将贝叶斯超参数的方法扩展到泊松分布，第一步是将它们包括在这个联合似然中。
2014-07-04 astro-ph.CO
Field-level likelihood for projected fields: Evolved projected fields from initial projected fields
University of California, Los Angeles（加州大学洛杉矶分校）；Stony Brook University（石溪大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）
研究非线性尺度下二维投影密度场与初始投影场的关系，利用拉格朗日微扰理论建模，通过N体模拟验证，并实现哈密顿蒙特卡洛采样重建初始场。
2026-06-12 astro-ph.CO
The Non-Gaussian Weak-Lensing Likelihood: A Multivariate Copula Construction and Impact on Cosmological Constraints
Institute for Particle Physics and Astrophysics, ETH Zurich（苏黎世联邦理工学院粒子物理与天体物理研究所）
提出用Copula方法构建两点相关函数的非高斯似然，在大尺度上比高斯似然更准确，但对Stage-IV巡天影响可忽略。
2026-06-17 astro-ph.CO astro-ph.IM physics.data-an
Evidence for extra radiation? Profile likelihood versus Bayesian posterior
最近对宇宙学数据的一些分析报告了一些线索，表明存在超出标准模型预期的额外辐射。为了测试这些索赔的鲁棒性，根据不同的方法构建参数约束，我们进行了贝叶斯后验和基于似然配置文件的分析当前的数据。我们确认后和配置文件为基础的约束之间存在轻微的差异，与边缘化的后更喜欢较高的值的中微子种类N_eff的有效数量。这可以追溯到体积效应发生在边缘化过程中，我们证明了这种效果是相关的事实，即宇宙微波背景（CMB）数据约束N_eff只有间接通过红移的物质辐射平等。一旦CMB数据与外部信息相结合，例如，哈勃参数，方法之间的差异变得很小相比，N_eff的不确定性。我们的结论是，偏好的精密宇宙学数据过量辐射是“真实的”，而不是一个特定的选择可信/置信区间建设的神器。
2012-02-20 astro-ph.CO
A Critical Reanalysis of Supernova Type Ia Data
本研究重新分析Pantheon超新星数据集，对比高斯与逻辑似然下的距离模数残差分布，发现逻辑似然对全数据和低红移区间拟合更优，且结果更支持宇宙学常数模型，但不同巡天子集结果存在不一致。
2025-01-14 astro-ph.CO
Translation and Rotation Equivariant Normalizing Flow (TRENF) for Optimal Cosmological Analysis
University of California at Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
我们的宇宙是均匀和各向同性的，它的扰动服从平移和旋转对称性。在这项工作中，我们开发了平移和旋转等变归一化流（TRENF），这是一种生成的归一化流（NF）模型，它明确地结合了这些对称性，通过一系列基于傅立叶空间的卷积和逐像素非线性变换来定义数据的似然性。TRENF给出了对高维数据似然性p（x）的直接访问|y）作为标签y的函数，例如宇宙学参数。与基于汇总统计的传统分析相比，NF方法没有信息损失，因为它保留了数据的全部维度。在高斯随机场上，TRENF似然与解析表达式吻合得很好，并且饱和了标签y中的Fisher信息含量。从N体模拟的非线性宇宙学的过密度场，TRENF导致显着改善约束功率超过标准的功率谱摘要统计。TRENF也是数据的生成模型，并且我们表明TRENF样本与它训练的N体模拟吻合良好，并且数据的逆映射在视觉上和各种汇总统计上与高斯白噪声吻合良好：当这完全实现时，得到的p（x| y）似然分析变得最优。最后，我们开发了这个模型的泛化，可以处理打破数据对称性的影响，例如调查掩码，它可以在没有周期性边界的情况下对数据进行似然分析。
2022-02-10 astro-ph.CO cs.LG
Multiscale Flow for Robust and Optimal Cosmological Analysis
University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Lab（劳伦斯伯克利国家实验室）；Berkeley Center for Cosmological Physics（伯克利宇宙学中心）
提出Multiscale Flow生成模型，通过小波分层分解建模二维宇宙学数据的场级似然，能识别系统误差与分布偏移，在宇宙学推断中显著优于传统和基于机器学习的统计量。
2024-02-15 astro-ph.CO cs.LG physics.data-an
Cosmological parameter estimation with Genetic Algorithms
本文研究遗传算法在宇宙学参数估计中的应用，证明其能通过最大化似然函数快速探索参数空间并找到全局最优，尤其在多模态暗能量模型问题中具有优势，可作为传统贝叶斯方法的有效补充。
2024-01-11 astro-ph.CO
Grid-based exploration of cosmological parameter space with Snake
我们提出了一个完全并行化的基于网格的参数估计算法调查多维似然称为蛇，并将其应用于宇宙学参数估计。其基本思想是根据递减的似然性逐格绘制似然性网格单元，并在达到某个阈值时停止。这种方法大大改善了“维数灾难”的问题，简单地忽略了网格单元的可能性可以忽略不计的标准基于网格的参数估计。与标准Metropolis-Hastings MCMC方法相比，该方法的主要优点包括：1）任意条件分布的平凡提取; 2）直接访问贝叶斯证据; 3）分布尾部的更好采样;以及4）近乎完美的并行化缩放。主要缺点是，在暴力网格计算的情况下，依赖于参数的数量，N_par。本论文的主要目标之一是确定如何大N_par可以，同时仍然保持合理的计算效率，我们发现，N_par = 12$是很好的能力范围内的方法。通过比较使用蛇和WMAP-7数据与使用CosmoMC，目前在该领域的标准代码获得的宇宙学参数估计的代码的性能进行测试。我们发现完全一致的结果，类似的计算费用，但更短的墙时间，由于完美的并行化方案。
2012-11-13 astro-ph.CO astro-ph.IM
Statistical Nuances in BAO Analysis: Likelihood Formulations and Non-Gaussianities
Bulgarian Academy of Sciences, INRNE（保加利亚科学院，核研究所）
本文比较了DESI DR2数据中BAO分析的统计方法，探讨了不同模型下参数退化和非高斯性对结果的影响，强调了精确测量中统计处理的重要性。
2025-04-25 astro-ph.CO
The non-Gaussianity of the cosmic shear likelihood - or: How odd is the Chandra Deep Field South?
我们研究了高斯宇宙剪切似然近似的有效性。我们估计真实的可能性，从一个大的射线追踪模拟的基准宇宙模型和宇宙学参数估计的非高斯性的影响进行调查。我们研究了最近报道的非常低的$σ_8$值是多么奇怪，因为它是从使用宇宙切变的\textit{Chandra}深场南方（CDFS）得出的，考虑到可能性的非高斯性以及CDFS选择方式带来的偏差的可能性。我们发现，宇宙剪切的可能性是显着的非高斯。这导致后验分布的最大值的偏移和与高斯情况相比显著更小的可信区域。我们重新分析CDFS宇宙剪切数据使用非高斯似然。假设CDFS是一个随机指向，我们发现$σ_8=0.68_{-0.16}^{+0.09}$固定$Ω_{\rm m}=0.25$。在类似WMAP 5的宇宙学中，在$\approx 5%$的时间中，期望值等于或小于这个值。考虑到偏差所产生的方式的CDFS的选择，我们的模型依赖于在CDFS中的晕的数量，我们得到$σ_8 = 0.71^{+0.10}_{-0.15}$。将CDFS数据与WMAP 5的参数约束相结合，得到了平坦宇宙的$Ω_{\rm m} = 0.26^{+0.03}_{-0.02}$和$σ_8 = 0.79^{+0.04}_{-0.03}$。
2009-07-29 astro-ph.CO
The Effect of Covariance Estimator Error on Cosmological Parameter Constraints
从宇宙学观测中提取参数约束需要精确确定协方差矩阵以用于似然函数。我们在这里表明，在协方差矩阵的元素的不确定性直接传播到宇宙学参数的不确定性增加。当通过仿真确定协方差矩阵时，每个参数的所得方差增加$1+N_b/N_s$阶的因子，其中$N_b$是测量中的频带的数量，并且$N_s$是仿真的数量。
2013-09-13 astro-ph.CO
The effect on cosmological parameter estimation of a parameter dependent covariance matrix
基于两点关联函数的宇宙学大尺度结构分析通常假设协方差矩阵为高斯似然函数。我们研究忽略这个协方差矩阵的参数依赖宇宙学参数估计的影响，专注于联合弱透镜和星系聚类分析的特定情况下。使用Fisher矩阵形式主义（校准对精确的似然评估，特别是简单的情况下），我们量化的影响，使用参数依赖的协方差矩阵的偏差和方差的参数。我们确认，一个参数独立的协方差矩阵的近似是非常好的，在所有现实的情况下。协方差矩阵中的信息内容（与两个点函数本身相比）不随分数天空覆盖而改变。因此，随着模式数量的增加，由于参数相关协方差矩阵而导致的信息增加变得可以忽略不计。即使对于覆盖天空的小于$1\%$的巡天，这种效应也只会导致统计不确定性的最大偏差为${\cal O}(10\%)$，而对参数不确定性的错误估计也会处于相同或更低的水平。随着未来的大面积调查，这种影响只会更小。因此，对于大多数分析的影响，一个参数依赖的协方差矩阵可以忽略恢复的宇宙学约束的准确性和精度。
2019-03-19 astro-ph.CO
