查看“WikiEdge:ArXiv速递/2025-05-07”的源代码

== 摘要 ==
* '''原文标题'''：Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
* '''中文标题'''：基于非参数分布匹配的免似然自适应贝叶斯推断
* '''发布日期'''：2025-05-07 17:50:14+00:00
* '''作者'''：Wenhui Sophia Lu, Wing Hung Wong
* '''分类'''：stat.ME, cs.LG, stat.CO, stat.ML
*'''原文链接'''：http://arxiv.org/abs/2505.04603v1
'''中文摘要'''：当[[似然函数]]无法解析获得且计算不可行时，[[近似贝叶斯计算]]（[[ABC]]）已成为近似[[后验推断]]的常用方法，但在[[高维]]设置或[[扩散先验]]下存在严重的[[计算效率]]问题。为克服这些限制，我们提出[[自适应贝叶斯推断]]（[[ABI]]）框架，该框架绕过传统的[[数据空间]]差异度量，转而通过[[非参数分布]]匹配直接在[[后验空间]]比较分布。通过在[[后验测度]]上采用新颖的[[边缘增强切片Wasserstein]]（[[MSW]]）距离并利用其[[分位数]]表示，[[ABI]]将测量[[后验分布]]间差异的难题转化为可处理的[[一维]][[条件分位数回归]]任务序列。此外，我们引入了一种新的[[自适应拒绝采样]]方案，通过生成[[密度估计]]迭代更新[[提议分布]]来优化[[后验近似]]。理论上，我们建立了修剪[[MSW]]距离的[[参数收敛]]率，并证明当[[容忍阈值]]趋零时[[ABI]]后验会收敛至[[真实后验]]。通过大量[[实证评估]]，我们证明[[ABI]]显著优于基于数据的[[Wasserstein ABC]]、基于[[摘要]]的[[ABC]]以及最先进的[[无似然模拟器]]，尤其在[[高维]]或[[依赖观测]]场景中表现突出。

== 摘要 ==
* '''原文标题'''：Measurement of neutron production in atmospheric neutrino interactions at Super-Kamiokande
* '''中文标题'''：超级神冈实验中大气中微子相互作用产生中子的测量
* '''发布日期'''：2025-05-07 13:46:23+00:00
* '''作者'''：Super-Kamiokande collaboration, :, S. Han, K. Abe, S. Abe, Y. Asaoka, C. Bronner, M. Harada, Y. Hayato, K. Hiraide, K. Hosokawa, K. Ieki, M. Ikeda, J. Kameda, Y. Kanemura, R. Kaneshima, Y. Kashiwagi, Y. Kataoka, S. Miki, S. Mine, M. Miura, S. Moriyama, M. Nakahata, S. Nakayama, Y. Noguchi, G. Pronost, K. Sato, K. Okamoto, H. Sekiya, H. Shiba, K. Shimizu, R. Shinoda, M. Shiozawa, Y. Sonoda, Y. Suzuki, A. Takeda, Y. Takemoto, A. Takenaka, H. Tanaka, T. Yano, T. Kajita, K. Okumura, R. Nishijima, T. Tashiro, T. Tomiya, X. Wang, S. Yoshida, P. Fernandez, L. Labarga, N. Ospina, D. Samudio, B. Zaldivar, B. W. Pointon, C. Yanagisawa, E. Kearns, J. L. Raaf, L. Wan, T. Wester, J. Bian, B. Cortez, N. J. Griskevich, M. B. Smy, H. W. Sobel, V. Takhistov, A. Yankelevich, J. Hill, M. C. Jang, S. H. Lee, D. H. Moon, R. G. Park, B. S. Yang, B. Bodur, K. Scholberg, C. W. Walter, A. Beauchêne, O. Drapier, A. Giampaolo, A. Ershova, Th. A. Mueller, A. D. Santos, P. Paganini, C. Quach, R. Rogly, T. Nakamura, J. S. Jang, L. N. Machado, F. P. Soler, J. G. Learned, K. Choi, N. Iovine, S. Cao, L. H. V. Anthony, D. Martin, N. W. Prouse, M. Scott, Y. Uchida, A. A. Sztuc, V. Berardi, N. F. Calabria, M. G. Catanesi, E. Radicioni, A. Langella, G. De Rosa, G. Collazuol, M. Feltre, F. Iacob, M. Mattiazzi, L. Ludovici, M. Gonin, L. Périssé, 23 B. Quilain, C. Fujisawa, S. Horiuchi, A. Kawabata, M. Kobayashi, Y. M. Liu, Y. Maekawa, Y. Nishimura, R. Okazaki, R. Akutsu, M. Friend, T. Hasegawa, T. Ishida, T. Kobayashi, M. Jakkapu, T. Matsubara, T. Nakadaira, K. Nakamura, Y. Oyama, A. Portocarrero Yrey, K. Sakashita, T. Sekiguchi, T. Tsukamoto, N. Bhuiyan, G. T. Burton, F. Di Lodovico, J. Gao, A. Goldsack, T. Katori, J. Migenda, R. M. Ramsden, Z. Xie, S. Zsoldos, T. Sone, A. T. Suzuki, Y. Takagi, Y. Takeuchi, S. Wada, H. Zhong, J. Feng, L. Feng, J. Hikida, J. R. Hu, Z. Hu, M. Kawaue, T. Kikawa, M. Mori, T. Nakaya, T. V. Ngoc, R. A. Wendell, K. Yasutome, S. J. Jenkins, N. McCauley, A. Tarrant, P. Mehta, M. Fanì, M. J. Wilking, Y. Fukuda, Y. Itow, H. Menjo, Y. Yoshioka, K. Ninomiya, J. Lagoda, S. M. Lakshmi, M. Mandal, P. Mijakowski, Y. S. Prabhu, J. Zalipska, M. Jia, J. Jiang, C. K. Jung, W. Shi, K. Hamaguchi, Y. Hino, H. Ishino, Y. Koshio, F. Nakanishi, S. Sakai, T. Tada, T. Tano, T. Ishizuka, G. Barr, D. Barrow, L. Cook, S. Samani, D. Wark, A. Holin, F. Nova, S. Jung, J. Y. Yang, J. Yoo, J. E. P. Fannon, L. Kneale, M. Malek, J. M. McElwee, T. Peacock, P. Stowell, M. D. Thiesse, L. F. Thompson, S. T. Wilson, H. Okazawa, S. M. Lakshmi, S. B. Kim, E. Kwon, M. W. Lee, J. W. Seo, I. Yu, A. K. Ichikawa, K. D. Nakamura, S. Tairafune, K. Nishijima, A. Eguchi, S. Goto, S. Kodama, Y. Mizuno, T. Muro, K. Nakagiri, Y. Nakajima, S. Shima, N. Taniuchi, E. Watanabe, M. Yokoyama, P. de Perio, S. Fujita, C. Jesús-Valls, K. Martens, Ll. Marti, K. M. Tsui, M. R. Vagins, J. Xia, M. Kuze, S. Izumiyama, R. Matsumoto, K. Terada, R. Asaka, M. Ishitsuka, H. Ito, Y. Ommura, N. Shigeta, M. Shinoki, M. Sugo, M. Wako, K. Yamauchi, T. Yoshida, Y. Nakano, F. Cormier, R. Gaur, V. Gousy-Leblanc, M. Hartz, A. Konaka, X. Li, B. R. Smithers, S. Chen, Y. Wu, B. D. Xu, A. Q. Zhang, B. Zhang, M. Girgus, P. Govindaraj, M. Posiadala-Zezula, S. B. Boyd, R. Edwards, D. Hadley, M. Nicholson, M. O'Flaherty, B. Richards, A. Ali, B. Jamieson, S. Amanai, D. Hamaguchi, A. Minamino, Y. Sasaki, R. Shibayama, R. Shimamura, S. Suzuki
* '''分类'''：hep-ex
*'''原文链接'''：http://arxiv.org/abs/2505.04409v1
'''中文摘要'''：我们测量了[[大气中微子]]与[[水]]相互作用产生的总[[中子]]数，分析范围覆盖30 [[MeV]]至10 [[GeV]]电子等效可见[[能量]]区间。该结果基于[[超级神冈探测器]]4270天的观测数据（其中包含564天添加0.011wt%[[钆]]以增强[[中子探测]]的实验数据）。测量结果与多种[[中微子事件生成器]]结合[[强子-核相互作用]]模型的预测进行了对比，这些模型包含[[核内级联模型]]和[[核退激发模型]]。研究发现不同[[强子-核相互作用模型]]会导致预测值的显著差异。我们重点讨论了描述实验数据的关键因素，包括[[核内级联]]过程中的[[介质效应]]以及[[统计蒸发模型]]的精确度问题。

== 摘要 ==
* '''原文标题'''：ORBIT-2: Scaling Exascale Vision Foundation Models for Weather and Climate Downscaling
* '''中文标题'''：ORBIT-2：面向天气和气候降尺度的百亿级视觉基础模型扩展
* '''发布日期'''：2025-05-07 21:09:00+00:00
* '''作者'''：Xiao Wang, Jong-Youl Choi, Takuya Kurihaya, Isaac Lyngaas, Hong-Jun Yoon, Ming Fan, Nasik Muhammad Nafi, Aristeidis Tsaris, Ashwin M. Aji, Maliha Hossain, Mohamed Wahib, Dali Wang, Peter Thornton, Prasanna Balaprakash, Moetasim Ashfaq, Dan Lu
* '''分类'''：cs.LG, astro-ph.EP, cs.AI, cs.DC, physics.ao-ph
*'''原文链接'''：http://arxiv.org/abs/2505.04802v1
'''中文摘要'''：稀疏观测数据和粗分辨率[[气候模型]]限制了有效的区域决策制定，凸显了对稳健[[降尺度]]技术的需求。然而，现有[[AI]]方法难以实现跨变量和跨地理区域的[[泛化能力]]，并受限于[[视觉变换器]](ViT)[[自注意力机制]]的二次复杂度。我们提出[[ORBIT-2]]——一个可扩展的全球超分辨率气候降尺度基础模型，其包含两项关键创新：(1) 残差精简ViT(Reslim)，采用[[残差学习]]和[[贝叶斯正则化]]的轻量级架构，实现高效稳健预测；(2) [[TILES]]分块序列缩放算法，将[[自注意力]]复杂度从二次降至线性，支持长序列处理和大规模[[并行计算]]。ORBIT-2在32,768块[[GPU]]上扩展至100亿参数，持续吞吐量达1.8艾级[[浮点运算]]，强扩展效率达92-98%。该模型支持0.9公里全球分辨率降尺度，可处理长达42亿标记的序列。在7公里分辨率基准测试中，ORBIT-2相对于观测数据获得0.98至0.99的[[R^2]]分数，展现出极高精度。