[論文レビュー] A Fast Generative Framework for High-dimensional Posterior Sampling: Application to CMB Delensing

Hadi Sotoudeh, Pablo Lemos+1 more|arXiv (Cornell University)|Mar 4, 2026

Markov Chains and Monte Carlo Methods被引用数 0

ひとこと要約

深層生成フレームワークを提案。平均ネットワークと分散ネットワークを分離して高速な高次元後方サンプリングを実現し、CMBデレスレングで実証。拡散ベースと比較して速度が速く、不確実性はキャリブレーション済み。

ABSTRACT

We introduce a deep generative framework for high-dimensional Bayesian inference that enables efficient posterior sampling. As telescopes and simulations rapidly expand the volume and resolution of astrophysical data, fast simulation-based inference methods are increasingly needed to extract scientific insights. While diffusion-based approaches offer high-quality generative capabilities, they are hindered by slow sampling speeds. Our method performs posterior sampling an order of magnitude faster than a diffusion baseline. Applied to the problem of CMB delensing, it successfully recovers the unlensed CMB power spectrum from simulated observations. The model also remains robust to shifts in cosmological parameters, demonstrating its potential for out-of-distribution generalization and application to observational cosmological data.

研究の動機と目的

• 大規模天体物理データに対する高速・スケーラブルなベイズ推論の動機づけ.
• 後方平均と分散の学習を分離する2ネットワーク生成フレームワークの提案.
• CMBデレスレングへの適用性の実証と分布外（OOD）耐性の評価.
• 不確実性推定を提供し、拡散ベースのベースラインとサンプリング速度を比較。

提案手法

• 2つの別々に訓練されたネットワーク：平均ネットワーク（決定的なU-Net）は後方平均 ̄x(y) = E[x|y] を学習。
• 分散ネットワーク（HPU-Netベース）は、偏差 δ = x - ̄x(y) と潜在変数 z をモデル化し、ELBOを最大化するようにVAEのように訓練。
• 平均ネットワークはターゲットxでMSE損失を用いて訓練し、後方平均の学習を保証。
• 分散ネットワークは、再構成損失（対角ガウスの負対数尤度）とKLダイバージェンスからなるELBO損失で訓練し、不確実性をモデル化。
• 再構成損失は対角ガウスのパラメータ化を用いてピクセルごとの不確実性をキャリブレーションし、KL発散の消失を回避。
• 拡散ベースのベースラインと比較し、サンプリングが高速でありつつ不確実性をキャリブレーションしたまま維持。

実験結果

リサーチクエスチョン

• RQ1 SBIタスクのための高次元後方を近似する高速な2ネットワーク生成フレームワークは実現可能か。
• RQ2 平均と分散の学習を分離することで、高次元宇宙論推論における信頼できる不確実性推定が得られるか。
• RQ3 このフレームワークはCMBデレスレングでどの程度うまく機能し、分布外の宇宙論に対して一般化するか。
• RQ4 この設定における拡散ベースの後方サンプラーと比較して、サンプリング速度はどうか。

主な発見

モデル	サンプリング時間（s）
Our Framework	0.31  Keight
Diffusion Baseline-100	12.85  0.09
Diffusion Baseline-1000	125.6  0.4

• フレームワークは拡散ベースのベースラインよりも桁違いに高速な後方サンプリングを実現（50サンプルでバッチ4つのテスト時、0.31秒対12.85秒）。
• シミュレーション観測から回復した未レンズのCMBパワースペクトルは、モデルの後方由来の不確実性領域内に収まる。
• 宇宙論のOOD入力に対しても一般化し、有用な不確実性帯を維持（Omega_mが強く摂動されない限り）。
• 不確実性推定はキャリブレーション済みでやや保守的、KL消失や潜在崩壊を回避。
• 平均ネットワークは適切な訓練下で後方平均を保証して学習し、分散ネットワークは確率性とピクセルごとの不確実性を提供。