[논문 리뷰] A Fast Generative Framework for High-dimensional Posterior Sampling: Application to CMB Delensing

Hadi Sotoudeh, Pablo Lemos외 1명|arXiv (Cornell University)|2026. 03. 04.

Markov Chains and Monte Carlo Methods인용 수 0

한 줄 요약

깊은 생성 프레임워크를 도입하여 평균과 분산 네트워크를 분리하고, 빠른 고차원 후방 샘플링을 구현하며 CMB 디레싱에 대해 확정된 불확실성으로 속도에서 확 diffusion 기본치보다 앞서 있음을 시演합니다.

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.

연구 동기 및 목표

• 대규모 천체물리 데이터의 고차원 후포를 가진 베이지안 추론을 빠르고 확장 가능하게 만들고자 한다.
• 후포 평균과 분산 학습을 분리하는 두 네트워크 생성 프레임워크를 제안한다.
• CMB 디레싱에의 적용 가능성을 입증하고 분포 외(OOD) 강건성을 평가한다.
• 불확실성 추정치를 제공하고 샘플링 속도를 확산 기본기와 비교한다.

제안 방법

• 두 개의 별도 학습 네트워크: 평균 네트워크(결정론적 U-Net)는 후포 평균 ㅣ x-bar(y) 를 E[x|y]로 학습한다.
• 분산 네트워크(HPU-Net 기반)는 편차 δ = x - x-bar(y) 와 잠재 변수 z 를 모델링하고 VAE를 학습하듯 ELBO를 최대화하도록 학습한다.
• 평균 네트워크는 목표 x에 대해 MSE 손실로 학습되어 후포 평균의 학습을 보장한다.
• 분산 네트워크는 재구성 손실(대각 가우시안 음의 대수 가능도)과 KL 발산으로 구성된 ELBO 손실로 학습되어 불확실성을 모델링한다.
• 재구성 손실은 각 픽셀의 불확실성을 보정하고 KL 소실을 피하기 위해 대각 가우시안 매개변수를 사용한다.
• 확산 기반 기본치와 비교했을 때 더 빠른 샘플링 속도와 보정된 불확실성을 유지함을 보인다.

실험 결과

연구 질문

• RQ1 SBJ SBI 태스크에 대해 빠른 두 네트워크 생성 프레임워크가 고차원 포스트를 근사할 수 있는가?
• RQ2 평균과 분산 학습 분리가 고차원 우주론 추정에서 신뢰할 수 있는 불확실성 추정을 제공하는가?
• RQ3 프레임워크가 CMB 디레싱에서 어떻게 수행되고 분포 외 우주론에서 일반화되는가?
• RQ4 이 설정에서 샘플링 속도가 확산 기반 포스트샘플러와 어떻게 비교되는가?

주요 결과

모델	샘플링 시간 (초)
Our Framework	0.31 \u0014 Keight
Diffusion Baseline-100	12.85 \u0014 0.09
Diffusion Baseline-1000	125.6 \u0014 0.4

• 프레임워크는 확산 기본치에 비해 후포 샘플링을 수의 규모로 더 빠르게 달성한다(50 샘플에 대해 배치 4 테스트에서 0.31초 대 12.85초).
• 시뮬레이션 관측으로부터 복원된 비렌즈드 CMB 파워 스펙트럼이 모델의 포스트로부터 도출된 불확실성 구간 안에 있다.
• 모델은 우주론적 분포 외 입력에서 일반화되며 불확실성 밴드를 유지하는 경향이 있지만 Omega_m이 크게 변동되면 예외가 발생한다.
• 불확실성 추정은 보정되며 약간 보수적이며, 이 접근법은 KL 소실 및 잠재 응축을 피한다.
• 평균 네트워크는 적절한 학습 하에 포스트 평균 학습을 보장하고, 분산 네트워크는 확률적 특성과 픽셀별 불확실성을 제공한다.