High-Dimensional Bayesian Model Comparison in Cosmology with GPU-accelerated Nested Sampling and Neural Emulators
本文提出GPU加速的嵌套采样框架，结合神经仿真器，实现高维宇宙学贝叶斯模型比较，在39维分析中2天内获得稳健贝叶斯因子，并探索插值获得额外4倍加速，显著提升计算效率。
2025-10-06 astro-ph.CO
Optimizing Foreground Modelling for Global 21cm Cosmology with GPU-Accelerated Nested Sampling
Astrophysics Group, Cavendish Laboratory（卡文迪许实验室天体物理学组）；Kavli Institute for Cosmology（卡弗里宇宙学研究所）
利用GPU加速嵌套采样，提出一种观测依赖的天空分区方案，优化前景建模，将推断时间从数百CPU年降至约两GPU天，并实现40%的模型维度缩减。
2026-07-02 astro-ph.CO astro-ph.IM
Kernel Selection for Gaussian Process in Cosmology: with Approximate Bayesian Computation Rejection and Nested Sampling
本文比较ABC拒绝法与嵌套抽样用于宇宙学GP核选择，发现ABC拒绝法下M52核优于RBF核，但嵌套抽样中该优势消失，且数据对核选择无显著依赖。
2023-04-08 astro-ph.CO
Marginal Bayesian Statistics Using Masked Autoregressive Flows and Kernel Density Estimators with Examples in Cosmology
宇宙学实验经常使用贝叶斯工作流从他们的数据中推导出宇宙学和天体物理学参数的约束。已经表明，这些约束可以在不同的探测器，如普朗克和暗能量调查，这可以是一个有价值的练习，以提高我们对宇宙的理解和量化多个实验之间的紧张关系。然而，这些实验通常受到不同的系统学、仪器效应和污染信号的困扰，我们将其统称为“滋扰”成分，这些成分必须与感兴趣的目标信号一起建模。这导致了高维参数空间，特别是当组合数据集时，具有> 20个维度，其中只有大约5个维度对应于关键物理量。我们提出了一种方法，通过生成快速，可重复使用和可靠的边际概率密度估计，使我们获得无公害似然从不同的数据集的约束相结合，在计算上有效的方式。这是可能的，通过嵌套抽样的独特组合，这使我们能够获得贝叶斯证据，和边际贝叶斯统计代码MARGARINE。我们的方法在信号参数中是无损的，导致与从所有滋扰参数上的完整嵌套采样运行中发现的相同的后验分布，并且通常比评估完整似然性更快。我们证明了我们的方法，将其应用到后验的组合从暗能量调查和普朗克。
2022-11-24 astro-ph.CO astro-ph.IM
Nested sampling with any prior you like
嵌套抽样是在天文学和其他领域进行贝叶斯分析的重要工具，既用于对复杂的后验分布进行抽样以进行参数推断，也用于计算模型比较的边缘似然。在实践中使用嵌套采样的一个技术障碍是要求（对于大多数常见的实现）先验分布以从单位超立方体到目标先验密度的变换的形式提供。对于许多应用，特别是当使用一个实验的后验作为另一个实验的先验时，这样的变换并不容易获得。在这封信中，我们表明，从所需的先验密度的样本上训练的参数双射提供了一种通用的方法，用于构建从均匀的基础密度到目标先验的转换，使实际使用的嵌套采样在任意先验。我们展示了使用训练的双射器结合嵌套采样的宇宙学的一些例子。
2021-06-28 astro-ph.CO astro-ph.IM physics.data-an
pocoMC: A Python package for accelerated Bayesian inference in astronomy and cosmology
pocoMC是一个Python包，用于加速天文学和宇宙学中的贝叶斯推断。该代码被设计为从具有非平凡几何形状的后验分布中有效地采样，包括强多模态和非线性。为此，pocoMC依赖于预处理蒙特卡罗算法，该算法利用归一化流来解相关后验参数。它有利于参数估计和模型比较的任务，特别是在计算昂贵的应用程序的重点。它允许在Python中拟合定义为对数似然函数和对数先验概率密度函数的任意模型。与流行的替代方案（如嵌套采样）相比，pocoMC可以加快采样过程的数量级，大大降低计算成本。最后，计算集群的并行化体现了线性缩放。
2022-07-12 astro-ph.CO astro-ph.IM physics.comp-ph
Nested sampling for physical scientists
我们回顾斯基林的嵌套抽样（NS）算法的贝叶斯推断和更广泛的多维集成。概括NS的原则后，我们调查的发展，在实践中实现高效的NS算法在高维，包括抽样的方法，从所谓的约束前。我们概述了NS可以应用的方式，并描述了NS在三个科学领域中的应用，该算法已被证明是有用的：宇宙学，引力波天文学和材料科学。最后，我们提出了使用NS时的最佳实践建议，并总结了NS的潜在限制和优化。
2022-05-31 astro-ph.CO astro-ph.IM cond-mat.mtrl-sci
Nested Sampling: A Critical and Comprehensive Theoretical Guide
Universitá di Catania（卡塔尼亚大学）；Stony Brook University（石溪大学）
本文全面详细地阐述了嵌套采样（NS）的推导过程，澄清其理论基础和实际挑战，旨在为新手提供教程，为经验丰富的从业者提供批判性回顾。
2026-10-23 astro-ph.CO astro-ph.IM stat.CO
Nested sampling cross-checks using order statistics
嵌套采样（NS）是现代天体物理学、宇宙学、引力波天文学和粒子物理学中数据分析的宝贵工具。我们确定了一个以前未使用的属性NS相关的顺序统计量：插入索引的新的活点到现有的活点应均匀分布。这一观察使我们能够创建一个新的交叉检查的单一NS运行。测试可以检测何时NS运行未能从约束先验和似然函数中的平台中采样新的活动点，这打破了NS的假设，从而导致不可靠的结果。我们应用我们的交叉检查NS运行在玩具功能与已知的分析结果在2 - 50个维度，表明我们的方法可以检测到有问题的运行在各种可能性，设置和尺寸。作为一个现实的应用程序的例子，我们交叉检查NS运行宇宙学模型选择的背景下进行。由于交叉检查很简单，我们建议将其作为每个适用NS运行的强制性测试。
2020-08-24 astro-ph.CO astro-ph.IM hep-ph
unimpeded: A Public Grid of Nested Sampling Chains for Cosmological Model Comparison and Tension Analysis
Kavli Institute for Cosmology, University of Cambridge（卡弗里宇宙学研究所，剑桥大学）；Cavendish Laboratory, University of Cambridge（卡文迪许实验室，剑桥大学）
发布公共Python库unimpeded，提供预计算嵌套采样和MCMC链，对8个宇宙学模型和39个数据集进行系统分析，发现ΛCDM模型最受青睐，并量化了DES与Planck、SH0ES与Planck之间的显著张力。
2026-06-11 astro-ph.CO astro-ph.IM
NAUTILUS: boosting Bayesian importance nested sampling with deep learning
Kavli Institute for Particle Astrophysics and Cosmology（卡夫利粒子天体物理与宇宙学研究所）；Stanford University（斯坦福大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Michigan（密歇根大学）；Leinweber Center for Theoretical Physics（莱因韦伯理论物理中心）
本文提出结合深度学习与重要性嵌套采样的方法及开源实现NAUTILUS，在显著提升贝叶斯后验与证据估计的采样效率和准确性的同时，大幅减少了似然评估次数。
2023-06-29 astro-ph.CO astro-ph.EP astro-ph.GA
The supernova cosmology cookbook: Bayesian numerical recipes
在过去的二十年里，理论和观测宇宙学取得了许多重大成就。来自威尔金森微波各向异性探测器和普朗克的宇宙微波背景测量，以及大尺度结构和超新星（SN）搜索，对宇宙学参数提出了非常严格的限制。Ia型超新星（SNIa）在宇宙加速膨胀的发现中发挥了核心作用，并于2011年获得诺贝尔物理学奖。在过去的十年中，高质量的SN观测数量大幅增加，SN目录现在包含数百个物体。随着暗能量巡天和大型综合巡天望远镜等下一代任务的数据可用，这一数字预计将在未来几年内增加到数千。为了利用大量即将到来的高质量数据，开发强大而有效的统计分析方法来回答宇宙学问题是非常重要的，最重要的是确定暗能量的性质。为了解决这些问题，我的工作是基于嵌套采样方法的参数估计和模型选择和神经网络的机器学习。使用先进的贝叶斯技术，我约束暗物质晕沿SN的视线，通过其弱引力透镜效应的属性，开发方法分类SNe光度从他们的光变曲线，并提出结果更一般的问题与约束宇宙学参数和测试不同的SN汇编的一致性。
2015-03-12 astro-ph.CO
Is the Jeffreys' scale a reliable tool for Bayesian model comparison in cosmology?
我们正在进入一个宇宙学的进步是由数据驱动的时代，替代模型将不得不根据一些一致的标准进行比较和排除。最保守和最广泛使用的方法是贝叶斯模型比较。在本文中，我们显式地计算所有模型的贝叶斯因子，这些模型相对于它们的参数是线性的。我们这样做是为了测试所谓的杰弗里斯尺度，并分析确定它的预测在一个简单的情况下有多准确，我们完全理解并可以分析计算一切。我们还讨论了嵌套模型的情况下，例如，一个与$M_1$和另一个与$M_2\supset M_1$参数，我们推导出解析表达式的贝叶斯因子和品质因数，定义为模型参数的置信度轮廓的倒数区域。所有这些机械和使用一个明确的例子，我们证明了Jeffreys的规模的阈值性质是不是一个“一刀切”的可靠工具模型比较，它可能会导致有偏见的结论。此外，我们讨论了选择正确的基础上的背景下，模型是线性的，其参数和基础如何影响参数估计和派生的约束条件的重要性。
2013-08-21 astro-ph.CO hep-ex physics.data-an
Rapid Hubble constant inference from GW170817 using GPU-accelerated nested sampling: prior sensitivity and the limits of post-hoc reweighting
University of Cambridge（剑桥大学）；Kavli Institute for Cosmology, University of Cambridge（剑桥大学卡弗里宇宙学研究所）；Department of Physics, University of Cambridge（剑桥大学物理系）；Institute of Astronomy, University of Cambridge（剑桥大学天文学研究所）
本文使用GPU加速嵌套采样在13分钟内完成GW170817的完整分析，发现从体积先验切换到均匀距离先验会显著改变哈勃常数后验的高尾概率和中位数，而事后重加权只能恢复约17%的偏移，表明应使用全样本重跑而非重加权。
2026-07-07 astro-ph.CO astro-ph.IM gr-qc
Validating posteriors obtained by an emulator when jointly-fitting mock data of the global 21-cm signal and high-z galaxy UV luminosity function
本研究通过嵌套采样对比${\ t globalemu}$仿真器与${\ t ARES}$全模型拟合21-cm信号及UVLF模拟数据的后验，验证了仿真器在高噪声下的准确性与低噪声下的偏差，并证实联合拟合可提升恒星形成效率参数约束。
2023-10-04 astro-ph.CO astro-ph.GA astro-ph.IM
