Search Results for author: E. M. Huff
Found 3 papers, 1 papers with code
Dark Energy Survey Year 3 Results: Measuring the Survey Transfer Function with Balrog
no code implementations • 23 Dec 2020 • S. Everett, B. Yanny, N. Kuropatkin, E. M. Huff, Y. Zhang, J. Myles, A. Masegian, J. Elvin-Poole, S. Allam, G. M. Bernstein, I. Sevilla-Noarbe, M. Splettstoesser, E. Sheldon, M. Jarvis, A. Amon, I. Harrison, A. Choi, W. G. Hartley, A. Alarcon, C. Sánchez, D. Gruen, K. Eckert, J. Prat, M. Tabbutt, V. Busti, M. R. Becker, N. MacCrann, H. T. Diehl, D. L. Tucker, E. Bertin, T. Jeltema, A. Drlica-Wagner, R. A. Gruendl, K. Bechtol, A. Carnero Rosell, T. M. C. Abbott, M. Aguena, J. Annis, D. Bacon, S. Bhargava, D. Brooks, D. L. Burke, M. Carrasco Kind, J. Carretero, F. J. Castander, C. Conselice, M. Costanzi, L. N. da Costa, M. E. S. Pereira, J. De Vicente, J. DeRose, S. Desai, T. F. Eifler, A. E. Evrard, I. Ferrero, P. Fosalba, J. Frieman, J. García-Bellido, E. Gaztanaga, D. W. Gerdes, G. Gutierrez, S. R. Hinton, D. L. Hollowood, K. Honscheid, D. Huterer, D. J. James, S. Kent, E. Krause, K. Kuehn, O. Lahav, M. Lima, H. Lin, M. A. G. Maia, J. L. Marshall, P. Melchior, F. Menanteau, R. Miquel, J. J. Mohr, R. Morgan, J. Muir, R. L. C. Ogando, A. Palmese, F. Paz-Chinchón, A. A. Plazas, M. Rodriguez-Monroy, A. K. Romer, A. Roodman, E. Sanchez, V. Scarpine, S. Serrano, M. Smith, M. Soares-Santos, E. Suchyta, M. E. C. Swanson, G. Tarle, C. To, M. A. Troxel, T. N. Varga, J. Weller, R. D. Wilkinson
We describe an updated calibration and diagnostic framework, Balrog, used to directly sample the selection and photometric biases of the Dark Energy Survey's (DES) Year 3 (Y3) dataset.
Cosmology and Nongalactic Astrophysics Instrumentation and Methods for Astrophysics
Assessing tension metrics with Dark Energy Survey and Planck data
no code implementations • 17 Dec 2020 • P. Lemos, M. Raveri, A. Campos, Y. Park, C. Chang, N. Weaverdyck, D. Huterer, A. R. Liddle, J. Blazek, R. Cawthon, A. Choi, J. DeRose, S. Dodelson, C. Doux, M. Gatti, D. Gruen, I. Harrison, E. Krause, O. Lahav, N. MacCrann, J. Muir, J. Prat, M. M. Rau, R. P. Rollins, S. Samuroff, J. Zuntz, W. G. Hartley, B. Hoyle, I. Sevilla-Noarbe, M. A. Troxel, M. Aguena, S. Allam, J. Annis, S. Avila, D. Bacon, G. M. Bernstein, E. Bertin, D. Brooks, D. L. Burke, A. Carnero Rosell, M. Carrasco Kind, J. Carretero, C. Conselice, M. Costanzi, M. Crocce, M. E. S. Pereira, J. De Vicente, S. Desai, H. T. Diehl, P. Doel, K. Eckert, T. F. Eifler, J. Elvin-Poole, S. Everett, A. E. Evrard, I. Ferrero, A. Ferté, B. Flaugher, P. Fosalba, J. Frieman, J. García-Bellido, E. Gaztanaga, D. W. Gerdes, T. Giannantonio, R. A. Gruendl, J. Gschwend, G. Gutierrez, S. R. Hinton, D. L. Hollowood, K. Honscheid, E. M. Huff, D. J. James, M. Jarvis, M. Lima, M. A. G. Maia, M. March, J. L. Marshall, P. Martini, P. Melchior, F. Menanteau, R. Miquel, J. J. Mohr, R. Morgan, J. Myles, R. L. C. Ogando, A. Palmese, S. Pandey, F. Paz-Chinchón, A. A. Plazas, M. Rodriguez-Monroy, A. Roodman, E. Sanchez, V. Scarpine, M. Schubnell, L. F. Secco, S. Serrano, M. Smith, M. Soares-Santos, E. Suchyta, M. E. C. Swanson, G. Tarle, D. Thomas, C. To, T. N. Varga, J. Weller, W. Wester
Quantifying tensions -- inconsistencies amongst measurements of cosmological parameters by different experiments -- has emerged as a crucial part of modern cosmological data analysis.
Cosmology and Nongalactic Astrophysics Instrumentation and Methods for Astrophysics
A machine learning approach to galaxy properties: joint redshift-stellar mass probability distributions with Random Forest
1 code implementation • 10 Dec 2020 • S. Mucesh, W. G. Hartley, A. Palmese, O. Lahav, L. Whiteway, A. F. L. Bluck, A. Alarcon, A. Amon, K. Bechtol, G. M. Bernstein, A. Carnero Rosell, M. Carrasco Kind, A. Choi, K. Eckert, S. Everett, D. Gruen, R. A. Gruendl, I. Harrison, E. M. Huff, N. Kuropatkin, I. Sevilla-Noarbe, E. Sheldon, B. Yanny, M. Aguena, S. Allam, D. Bacon, E. Bertin, S. Bhargava, D. Brooks, J. Carretero, F. J. Castander, C. Conselice, M. Costanzi, M. Crocce, L. N. da Costa, M. E. S. Pereira, J. De Vicente, S. Desai, H. T. Diehl, A. Drlica-Wagner, A. E. Evrard, I. Ferrero, B. Flaugher, P. Fosalba, J. Frieman, J. García-Bellido, E. Gaztanaga, D. W. Gerdes, J. Gschwend, G. Gutierrez, S. R. Hinton, D. L. Hollowood, K. Honscheid, D. J. James, K. Kuehn, M. Lima, H. Lin, M. A. G. Maia, P. Melchior, F. Menanteau, R. Miquel, R. Morgan, F. Paz-Chinchón, A. A. Plazas, E. Sanchez, V. Scarpine, M. Schubnell, S. Serrano, M. Smith, E. Suchyta, G. Tarle, D. Thomas, C. To, T. N. Varga, R. D. Wilkinson
We demonstrate that highly accurate joint redshift-stellar mass probability distribution functions (PDFs) can be obtained using the Random Forest (RF) machine learning (ML) algorithm, even with few photometric bands available.
