論文の概要: Classifying CMB time-ordered data through deep neural networks
- arxiv url: http://arxiv.org/abs/2004.06226v1
- Date: Mon, 13 Apr 2020 22:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 00:38:28.809226
- Title: Classifying CMB time-ordered data through deep neural networks
- Title（参考訳）: ディープニューラルネットワークによるCMB時系列データの分類
- Authors: Felipe Rojas, Lo\"ic Maurin, Rolando D\"unner, Karim Pichara
- Abstract要約: CMB実験の検出器を分類するための教師付き機械学習モデルを提案する。
このモデルは深層畳み込みニューラルネットワークに対応する。
私たちのモデルは現在のパイプラインの約10倍の速度で、リアルタイム実装に適しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Cosmic Microwave Background (CMB) has been measured over a wide range of
multipoles. Experiments with arc-minute resolution like the Atacama Cosmology
Telescope (ACT) have contributed to the measurement of primary and secondary
anisotropies, leading to remarkable scientific discoveries. Such findings
require careful data selection in order to remove poorly-behaved detectors and
unwanted contaminants. The current data classification methodology used by ACT
relies on several statistical parameters that are assessed and fine-tuned by an
expert. This method is highly time-consuming and band or season-specific, which
makes it less scalable and efficient for future CMB experiments. In this work,
we propose a supervised machine learning model to classify detectors of CMB
experiments. The model corresponds to a deep convolutional neural network. We
tested our method on real ACT data, using the 2008 season, 148 GHz, as training
set with labels provided by the ACT data selection software. The model learns
to classify time-streams starting directly from the raw data. For the season
and frequency considered during the training, we find that our classifier
reaches a precision of 99.8%. For 220 and 280 GHz data, season 2008, we
obtained 99.4% and 97.5% of precision, respectively. Finally, we performed a
cross-season test over 148 GHz data from 2009 and 2010 for which our model
reaches a precision of 99.8% and 99.5%, respectively. Our model is about 10x
faster than the current pipeline, making it potentially suitable for real-time
implementations.
- Abstract（参考訳）: 宇宙マイクロ波背景(cmb)は広範囲のマルチポールで測定されている。
アタカマ宇宙望遠鏡(ACT)のような極小分解能の実験は、一次と二次の異方性の測定に寄与し、顕著な科学的発見をもたらした。
このような発見は、貧弱な検出器や不要な汚染物質を除去するために注意深いデータ選択を必要とする。
actが使用する現在のデータ分類手法は、専門家によって評価され、微調整されたいくつかの統計パラメータに依存している。
この方法は非常に時間がかかり、バンドや季節特化度が高いため、将来のCMB実験ではスケーラビリティが低く、効率が良い。
本研究では,CMB実験の検出器を分類するための教師付き機械学習モデルを提案する。
このモデルは深層畳み込みニューラルネットワークに対応する。
2008年シーズンの148GHzをACTデータ選択ソフトウェアが提供するラベルを用いたトレーニングセットとして,実ACTデータを用いて本手法を検証した。
モデルは、生データから直接始まるタイムストリームを分類することを学ぶ。
トレーニング中に考慮した季節と頻度について,分類器の精度は99.8%に達した。
2008年シーズンの220GHzと280GHzのデータでは、それぞれ99.4%と97.5%の精度を得た。
最後に、2009年と2010年の148GHzのデータに対して、それぞれ99.8%と99.5%の精度でクロスシーズンテストを行った。
私たちのモデルは現在のパイプラインの約10倍の速度で、リアルタイム実装に適しています。
関連論文リスト
- Improved detection of discarded fish species through BoxAL active learning [0.2544632696242629]
本研究では,より高速なR-CNNオブジェクト検出モデルの認識精度を推定する,BoxALという能動的学習手法を提案する。
この方法では、未ラベルのプールから最も不確実なトレーニングイメージを選択し、オブジェクト検出モデルのトレーニングに使用することができる。
また,本研究では,サンプル化した新データが,未ラベルデータよりもトレーニングに有用であることが確認された。
論文 参考訳（メタデータ） (2024-10-07T10:01:30Z) - Comparison of gait phase detection using traditional machine learning
and deep learning techniques [3.11526333124308]
本研究では,人間歩行のための低レベルEMGデータに基づく機械学習(ML)モデルを提案する。
その結果,従来のMLモデルでは75%,ディープラーニング(DL)モデルでは79%の精度が得られた。
論文 参考訳（メタデータ） (2024-03-07T10:05:09Z) - Deepbet: Fast brain extraction of T1-weighted MRI using Convolutional
Neural Networks [0.40125518029941076]
Deepbetは、Deepbetと呼ばれる高速で高精度な脳抽出ツールを構築する。
Deepbetは、2段階の予測プロセスで、現代的なUNetアーキテクチャであるLinkNetを使用している。
モデルは現在の方法と比較して脳の抽出を10倍に加速する。
論文 参考訳（メタデータ） (2023-08-14T08:39:09Z) - Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。
最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。
我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
論文 参考訳（メタデータ） (2023-06-05T04:34:54Z) - Post-training Model Quantization Using GANs for Synthetic Data
Generation [57.40733249681334]
量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。
本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
論文 参考訳（メタデータ） (2023-05-10T11:10:09Z) - Efficient Testing of Deep Neural Networks via Decision Boundary Analysis [28.868479656437145]
我々は、新しいラベルのないデータに基づいてDNNの性能を推定できるAriesという新しい手法を提案する。
Aries による推定精度は 0.03% -- 2.60% (平均 0.61%) しか真の精度から外れていない。
論文 参考訳（メタデータ） (2022-07-22T08:39:10Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Complete parameter inference for GW150914 using deep learning [0.0]
LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。
検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。
本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
論文 参考訳（メタデータ） (2020-08-07T18:00:02Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳（メタデータ） (2020-02-26T06:10:12Z) - Radioactive data: tracing through training [130.2266320167683]
本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。
訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。
提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
論文 参考訳（メタデータ） (2020-02-03T18:41:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。