[论文解读] Robustness of Neural Networks for CMB Polarization Foreground Removal

Luca Gomez Bachar, Cora Dvorkin+1 more|arXiv (Cornell University)|Mar 12, 2026

Cosmology and Gravitation Theories被引用 0

一句话总结

论文分析基于 CNN 的前景清理在 CMB 偏振中的泛化性，结果表明在更复杂的前景模型上训练能提升对未见模型的鲁棒性。

ABSTRACT

The detection of Cosmic Microwave Background primordial $B$-mode polarization would constitute a ``smoking gun" signal of primordial gravitational waves. However, this measurement requires accurate removal of polarized Galactic foregrounds to avoid systematic biases when estimating the tensor-to-scalar ratio. Methods based on Machine Learning techniques (ML), such as Convolutional Neural Networks (CNNs), have recently been proposed as alternative foreground cleaning techniques, but their applicability to real data relies on their ability to generalize beyond the models assumed during training. In this work, we focus on a variety of foreground models (FMs) used for training and conduct a systematic study of the generalization properties of a CNN-based method. We train various CNN architectures on simulations generated from different Galactic FMs, and test their performance on models not used during the training. By characterizing the statistical properties of the FMs using variance, skewness, and Shannon entropy, we define a statistical complexity hierarchy among them. We show that training on the more complex FMs reduces bias and improves precision when testing on unseen FMs, whereas training on the simplest model could introduce systematic errors. These results evidence that a lack of generalization is a relevant source of systematic uncertainty, and emphasize the importance of understanding the impact of the models assumed during training in ML-based methods before applying them to real data.

研究动机与目标

• 评估基于 CNN 的前景去除对训练期间未见的前景模型（FM）的泛化性。
• 量化前景模型复杂性如何影响 CMB 重构的准确性与精度。
• 定义统计指标来表征前景模型，并将其与 ML 泛化性能联系起来。

提出的方法

• 使用多种前景模型生成扭曲的 CMB Q/U 图、仪器噪声和银河前景。
• 在来自特定 FM 的仿真上训练 CNN 架构（UN、UB、L3），并在看不见的 FM 上测试。
• 将 Healpy 图转换为适用于 CNN 的二维块，并在损失中结合 MAE 和基于 FFT 的物理项进行优化。
• 通过在不同实现中计算重构 Cℓ 相对于真实 CMB 图的比值来评估性能。
• 通过方差、偏态和香农熵来刻画 FM 的复杂性，以解释泛化行为。

实验结果

研究问题

• RQ1 当在一个 FM 上训练并在不同 FM 上测试时，CNN 前景清理的泛化性如何？
• RQ2 在训练阶段增加前景模型的复杂性是否会提高在未见模型上的重构准确性并降低偏差？
• RQ3 哪些 FM 统计量（方差、偏态、熵）与 CNN 泛化性能相关？
• RQ4 CNN 是否能利用高分辨率的频率数据而不像传统方法那样降解角分辨率？
• RQ5 在这项任务中，不同的 CNN 架构在稳定性和性能方面有哪些差异？

主要发现

• 在对未见 FM 进行测试时，使用更复杂的前景模型进行训练可降低重构 CMB 的偏差。
• 在最简单 FM 上的训练可能在未见模型上引入系统性误差。
• 研究将 RP 识别为统计上最复杂的 FM，而 GP 与 d11s6 显示出类似的复杂性，影响泛化。
• 像素级 FM 统计量（方差、偏态、香农熵）与泛化性能相关，有助于解释结果。
• 基于 CNN 的前景清理通过避免某些传统方法的强制分辨率降级，能保持高分辨率信息。