Fugu-MT 論文翻訳(概要): Photometric Data-driven Classification of Type Ia Supernovae in the Open Supernova Catalog

論文の概要: Photometric Data-driven Classification of Type Ia Supernovae in the Open Supernova Catalog

arxiv url: http://arxiv.org/abs/2006.10489v2
Date: Tue, 9 Feb 2021 17:30:56 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 13:33:46.249686
Title: Photometric Data-driven Classification of Type Ia Supernovae in the Open Supernova Catalog
Title（参考訳）: オープン超新星カタログにおけるia型超新星の測光データ駆動分類
Authors: Stanislav Dobryakov, Konstantin Malanchev, Denis Derkach, Mikhail Hushchyn
Abstract要約: 光メトリック情報を用いた機械学習によるIa型超新星の検出手法を提案する。他のアプローチとは異なり、実際の観測データはトレーニング中にのみ使用される。比較的小さなサンプルで訓練されているにもかかわらず、この手法はOpen Supernovae Catalogの実際のデータに対して良い結果を示す。
参考スコア（独自算出の注目度）: 0.5352699766206809
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a novel approach for a machine-learning-based detection of the type Ia supernovae using photometric information. Unlike other approaches, only real observation data is used during training. Despite being trained on a relatively small sample, the method shows good results on real data from the Open Supernovae Catalog. We also investigate model transfer from the PLAsTiCC simulations train dataset to real data application, and the reverse, and find the performance significantly decreases in both cases, highlighting the existing differences between simulated and real data.
Abstract（参考訳）: 本稿では,光計測情報を用いたia型超新星の検出手法を提案する。他のアプローチとは異なり、実際の観測データのみがトレーニング中に使用される。比較的小さなサンプルで訓練されているにもかかわらず、この方法はOpen Supernovae Catalogの実際のデータに対して良い結果を示す。また,プラスティックシミュレーションによるトレーニングデータセットから実データアプリケーションへのモデル転送と,その逆について検討し,シミュレーションデータと実データとの既存の差異を強調して,両方のケースで性能が著しく低下することを見出した。

関連論文リスト

Analysis of Classifier Training on Synthetic Data for Cross-Domain Datasets [4.696575161583618]
本研究は、高度な運転支援システムと自律運転のためのカメラベースの交通標識認識アプリケーションに焦点を当てた。合成データセットの増補パイプラインは、構造化影やガウスの特異なハイライトのような新しい増補プロセスを含む。実験の結果、クロスドメインテストデータセットに適用した場合、ほとんどの場合、合成画像ベースアプローチは実際の画像ベーストレーニングよりも優れていた。
論文参考訳（メタデータ） (2024-10-30T07:11:41Z)
DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文参考訳（メタデータ） (2024-03-20T04:58:03Z)
Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
論文参考訳（メタデータ） (2024-02-15T18:59:18Z)
Training on Thin Air: Improve Image Classification with Generated Data [28.96941414724037]
Diffusion Inversionは、画像分類のための多種多様な高品質なトレーニングデータを生成するための、シンプルで効果的な方法である。提案手法は,元のデータ分布を捕捉し,画像を安定拡散の潜在空間に反転させることにより,データカバレッジを確保する。生成した画像が元のデータセットに取って代わることに成功した3つの重要なコンポーネントを特定します。
論文参考訳（メタデータ） (2023-05-24T16:33:02Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
Denoising Diffusion Probabilistic Models for Generation of Realistic Fully-Annotated Microscopy Image Data Sets [1.07539359851877]
本研究では,拡散モデルにより,フルアノテートされた顕微鏡画像データセットを効果的に生成できることを実証する。提案されたパイプラインは、ディープラーニングベースのセグメンテーションアプローチのトレーニングにおいて、手動アノテーションへの依存を減らすのに役立つ。
論文参考訳（メタデータ） (2023-01-02T14:17:08Z)
Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文参考訳（メタデータ） (2022-11-20T15:49:11Z)
Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文参考訳（メタデータ） (2022-06-27T13:46:51Z)
Virtual embeddings and self-consistency for self-supervised learning [43.086696088061416]
TriMixは、線形データを通じて仮想埋め込みを生成する自己教師型学習の新しい概念である。我々は,TriMixを2.71%,0.41%改善した8つのベンチマークデータセットで検証した。
論文参考訳（メタデータ） (2022-06-13T10:20:28Z)
Efficient training of lightweight neural networks using Online Self-Acquired Knowledge Distillation [51.66271681532262]
オンライン自己獲得知識蒸留(OSAKD)は、ディープニューラルネットワークの性能をオンライン的に向上することを目的としている。出力特徴空間におけるデータサンプルの未知確率分布を推定するために、k-nnノンパラメトリック密度推定手法を用いる。
論文参考訳（メタデータ） (2021-08-26T14:01:04Z)
A Comparison of Deep Learning Classification Methods on Small-scale Image Data set: from Converlutional Neural Networks to Visual Transformers [18.58928427116305]
本稿では、畳み込みニューラルネットワークと視覚変換器の適用と特性について説明する。様々なモデルを用いて、小さなデータセット上で一連の実験を行う。推奨されたディープラーニングモデルは、モデルアプリケーション環境に応じて与えられる。
論文参考訳（メタデータ） (2021-07-16T04:13:10Z)

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。