論文の概要: MANTRA: A Machine Learning reference lightcurve dataset for astronomical transient event recognition

• arxiv url: http://arxiv.org/abs/2006.13163v2
• Date: Tue, 30 Jun 2020 17:45:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 23:46:51.304597
• Title: MANTRA: A Machine Learning reference lightcurve dataset for astronomical transient event recognition
• Title（参考訳）: MANTRA:天文学的過渡事象認識のための機械学習参照光曲線データセット
• Authors: Mauricio Neira, Catalina G\'omez, John F. Su\'arez-P\'erez, Diego A. G\'omez, Juan Pablo Reyes, Marcela Hern\'andez Hoyos, Pablo Arbel\'aez, Jaime E. Forero-Romero
• Abstract要約: カタリーナ・リアルタイム・リアルタイム・トランジェント・サーベイから構築された4869トランジェントおよび71207非トランジェント・オブジェクト・ライトカーブのデータセットにパブリックアクセスする。 データセットに含まれるいくつかのクラスは、超新星、白亜紀変光星、活動銀河核、高い固有運動星、ブレザー、フレアである。 二進的/非過渡的(transient/non-transient)と八進的(8-class)の2つの分類課題における定量的性能を評価する。
• 参考スコア（独自算出の注目度）: 2.208166456405677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce MANTRA, an annotated dataset of 4869 transient and 71207 non-transient object lightcurves built from the Catalina Real Time Transient Survey. We provide public access to this dataset as a plain text file to facilitate standardized quantitative comparison of astronomical transient event recognition algorithms. Some of the classes included in the dataset are: supernovae, cataclysmic variables, active galactic nuclei, high proper motion stars, blazars and flares. As an example of the tasks that can be performed on the dataset we experiment with multiple data pre-processing methods, feature selection techniques and popular machine learning algorithms (Support Vector Machines, Random Forests and Neural Networks). We assess quantitative performance in two classification tasks: binary (transient/non-transient) and eight-class classification. The best performing algorithm in both tasks is the Random Forest Classifier. It achieves an F1-score of 96.25% in the binary classification and 52.79% in the eight-class classification. For the eight-class classification, non-transients ( 96.83% ) is the class with the highest F1-score, while the lowest corresponds to high-proper-motion stars ( 16.79% ); for supernovae it achieves a value of 54.57% , close to the average across classes. The next release of MANTRA includes images and benchmarks with deep learning models.
• Abstract（参考訳）: 我々は,カタリーナ実時間過渡調査から構築した4869光子と71207光子からなる注釈付きデータセットmantraを紹介する。 我々は、このデータセットをプレーンテキストファイルとして公開し、天文学的過渡事象認識アルゴリズムの標準化された定量的比較を容易にする。 データセットに含まれるいくつかのクラスは、超新星、カタクリズム変数、活動銀河核、高固有運動星、ブラザール、フレアである。 データセット上で実行できるタスクの例として、複数のデータ前処理方法、特徴選択技術、一般的な機械学習アルゴリズム(ベクターマシン、ランダムフォレスト、ニューラルネットワークをサポートする)を実験します。 二進的/非過渡的(transient/non-transient)と八等分類の2つの分類課題における定量的性能を評価する。 どちらのタスクでも最適なアルゴリズムはランダムフォレスト分類器である。 F1スコアは2進分類で96.25%、8等分類で52.79%である。 8級の分類では、非遷移星(96.83%)が最も高いF1スコアを持つクラスであり、最低値が16.79%、超新星では54.57%、クラス全体の平均に近い値である。 MANTRAの次のリリースには、ディープラーニングモデルによるイメージとベンチマークが含まれている。

関連論文リスト

• A Novel Adaptive Fine-Tuning Algorithm for Multimodal Models: Self-Optimizing Classification and Selection of High-Quality Datasets in Remote Sensing [46.603157010223505]
  マルチモーダル大モデルに対する適応的な微調整アルゴリズムを提案する。 我々は、GeoChatマルチモーダルリモートセンシングデータセットの3分の1を使用して、2台の3090 GPU上でモデルをトレーニングする。 このモデルはUCMercedおよびAID評価データセットで89.86と77.19のスコアを得た。
  論文  参考訳（メタデータ） (2024-09-20T09:19:46Z)
• Finding active galactic nuclei through Fink [0.0]
  本稿では,現在Finkブローカ内に実装されているAGN(Active Galactic Nuclei)分類器について述べる。 特徴は、利用可能な測光点の要約統計と、シンボリック回帰によって実現された色推定に基づいて構築された。 この手法を用いて、ZTF(Zwicky Transient Facility)の真のアラートを分類し、98.0%の精度、93.8%の精度、88.5%のリコールを達成した。
  論文  参考訳（メタデータ） (2022-11-20T14:24:15Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• SNGuess: A method for the selection of young extragalactic transients [0.0]
  本稿では,SNGuessについて述べる。SNGuessは高純度で近傍の若い銀河系外縁天体を見つけるために設計されたモデルである。 SNGuessは、天文学的なアラートデータから効率的に計算できる一連の機能で動作する。 SNGuesのコアモデルは、勾配押し上げによって訓練された決定木の集合から成り立っている。
  論文  参考訳（メタデータ） (2022-08-13T00:11:46Z)
• Fink: early supernovae Ia classification using active learning [0.0]
  本稿は、現在のZwicky Transient Facility(ZTF)公開アラートデータストリームにおいて、このような戦略の実装の可能性を示す。 本研究は,天文学的分類器のための最適なトレーニングサンプルの構築を導くための能動的学習戦略の有効性を検証した。
  論文  参考訳（メタデータ） (2021-11-22T11:38:58Z)
• SCARF: Self-Supervised Contrastive Learning using Random Feature Corruption [72.35532598131176]
  本稿では,特徴のランダムなサブセットを乱してビューを形成するコントラスト学習手法であるSCARFを提案する。 SCARFは既存の戦略を補完し、オートエンコーダのような代替手段より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-29T08:08:33Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• StarcNet: Machine Learning for Star Cluster Identification [21.804465402347027]
  StarcNetは畳み込みニューラルネットワーク(CNN)であり、LEGUS銀河の画像における星団分類の精度は68.6%(4クラス)/86.0%(2クラス:クラスター/クラスター)で、人間の専門家のパフォーマンスとほぼ一致する。 我々は、トレーニングセットに含まれない銀河に事前訓練されたcnnモデルを適用することで、starcnetの性能をテストする。 恒星団の光度、色、物理的特性は、ヒトおよびml分類標本に類似している。
  論文  参考訳（メタデータ） (2020-12-16T23:58:01Z)
• Device-Robust Acoustic Scene Classification Based on Two-Stage Categorization and Data Augmentation [63.98724740606457]
  我々は,GT,USTC,Tencent,UKEの4つのグループからなる共同で,DCASE 2020 Challengeの第1タスク - 音響シーン分類(ASC)に取り組む。 タスク1aは、複数の(実とシミュレートされた)デバイスで記録されたオーディオ信号のASCを10種類の微細なクラスにフォーカスする。 Task 1bは、低複雑さのソリューションを使用して、データを3つの上位クラスに分類することに関心がある。
  論文  参考訳（メタデータ） (2020-07-16T15:07:14Z)
• SCAN: Learning to Classify Images without Labels [73.69513783788622]
  機能学習とクラスタリングを分離する2段階のアプローチを提唱する。 表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。 我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
  論文  参考訳（メタデータ） (2020-05-25T18:12:33Z)

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。