WikiEdge:ArXiv速遞/2025-05-07

摘要

• 原文標題：Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
• 中文標題：基於非參數分布匹配的免似然自適應貝葉斯推斷
• 發布日期：2025-05-07 17:50:14+00:00
• 作者：Wenhui Sophia Lu, Wing Hung Wong
• 分類：stat.ME, cs.LG, stat.CO, stat.ML
• 原文鏈接：http://arxiv.org/abs/2505.04603v1

中文摘要：當似然函數無法解析獲得且計算不可行時，近似貝葉斯計算（ABC）已成為近似後驗推斷的常用方法，但在高維設置或擴散先驗下存在嚴重的計算效率問題。為克服這些限制，我們提出自適應貝葉斯推斷（ABI）框架，該框架繞過傳統的數據空間差異度量，轉而通過非參數分布匹配直接在後驗空間比較分布。通過在後驗測度上採用新穎的邊緣增強切片Wasserstein（MSW）距離並利用其分位數表示，ABI將測量後驗分布間差異的難題轉化為可處理的一維條件分位數回歸任務序列。此外，我們引入了一種新的自適應拒絕採樣方案，通過生成密度估計迭代更新提議分布來優化後驗近似。理論上，我們建立了修剪MSW距離的參數收斂率，並證明當容忍閾值趨零時ABI後驗會收斂至真實後驗。通過大量實證評估，我們證明ABI顯著優於基於數據的Wasserstein ABC、基於摘要的ABC以及最先進的無似然模擬器，尤其在高維或依賴觀測場景中表現突出。

摘要

• 原文標題：Measurement of neutron production in atmospheric neutrino interactions at Super-Kamiokande
• 中文標題：超級神岡實驗中大氣中微子相互作用產生中子的測量
• 發布日期：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
• 分類：hep-ex
• 原文鏈接：http://arxiv.org/abs/2505.04409v1

中文摘要：我們測量了大氣中微子與水相互作用產生的總中子數，分析範圍覆蓋30 MeV至10 GeV電子等效可見能量區間。該結果基於超級神岡探測器4270天的觀測數據（其中包含564天添加0.011wt%釓以增強中子探測的實驗數據）。測量結果與多種中微子事件生成器結合強子-核相互作用模型的預測進行了對比，這些模型包含核內級聯模型和核退激發模型。研究發現不同強子-核相互作用模型會導致預測值的顯著差異。我們重點討論了描述實驗數據的關鍵因素，包括核內級聯過程中的介質效應以及統計蒸發模型的精確度問題。

摘要

• 原文標題：ORBIT-2: Scaling Exascale Vision Foundation Models for Weather and Climate Downscaling
• 中文標題：ORBIT-2：面向天氣和氣候降尺度的百億級視覺基礎模型擴展
• 發布日期：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
• 分類：cs.LG, astro-ph.EP, cs.AI, cs.DC, physics.ao-ph
• 原文鏈接：http://arxiv.org/abs/2505.04802v1

中文摘要：稀疏觀測數據和粗分辨率氣候模型限制了有效的區域決策制定，凸顯了對穩健降尺度技術的需求。然而，現有AI方法難以實現跨變量和跨地理區域的泛化能力，並受限於視覺變換器(ViT)自注意力機制的二次複雜度。我們提出ORBIT-2——一個可擴展的全球超分辨率氣候降尺度基礎模型，其包含兩項關鍵創新：(1) 殘差精簡ViT(Reslim)，採用殘差學習和貝葉斯正則化的輕量級架構，實現高效穩健預測；(2) TILES分塊序列縮放算法，將自注意力複雜度從二次降至線性，支持長序列處理和大規模並行計算。ORBIT-2在32,768塊GPU上擴展至100億參數，持續吞吐量達1.8艾級浮點運算，強擴展效率達92-98%。該模型支持0.9公里全球分辨率降尺度，可處理長達42億標記的序列。在7公里分辨率基準測試中，ORBIT-2相對於觀測數據獲得0.98至0.99的R^2分數，展現出極高精度。