論文の概要: Machine Learning Classification of Kuiper Belt Populations
- arxiv url: http://arxiv.org/abs/2007.03720v1
- Date: Tue, 7 Jul 2020 18:19:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 20:35:31.968125
- Title: Machine Learning Classification of Kuiper Belt Populations
- Title(参考訳): カイパーベルト人口の機械学習分類
- Authors: Rachel A. Smullen and Kathryn Volk
- Abstract要約: 太陽系外惑星では、カイパーベルトは惑星の形成と移動と現在の巨大惑星構成からの重力摂動の組み合わせによって彫刻された動的サブ集団を含んでいる。
ここでは、機械学習アルゴリズムが、この分類に必要な計算時間と人的労力の両方を削減するための有望なツールであることを実証する。
- 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: In the outer solar system, the Kuiper Belt contains dynamical sub-populations
sculpted by a combination of planet formation and migration and gravitational
perturbations from the present-day giant planet configuration. The subdivision
of observed Kuiper Belt objects (KBOs) into different dynamical classes is
based on their current orbital evolution in numerical integrations of their
orbits. Here we demonstrate that machine learning algorithms are a promising
tool for reducing both the computational time and human effort required for
this classification. Using a Gradient Boosting Classifier, a type of machine
learning regression tree classifier trained on features derived from short
numerical simulations, we sort observed KBOs into four broad, dynamically
distinct populations - classical, resonant, detached, and scattering - with a
>97 per cent accuracy for the testing set of 542 securely classified KBOs. Over
80 per cent of these objects have a $>3\sigma$ probability of class membership,
indicating that the machine learning method is classifying based on the
fundamental dynamical features of each population. We also demonstrate how, by
using computational savings over traditional methods, we can quickly derive a
distribution of class membership by examining an ensemble of object clones
drawn from the observational errors. We find two major reasons for
misclassification: inherent ambiguity in the orbit of the object - for
instance, an object that is on the edge of resonance - and a lack of
representative examples in the training set. This work provides a promising
avenue to explore for fast and accurate classification of the thousands of new
KBOs expected to be found by surveys in the coming decade.
- Abstract(参考訳): 太陽系外惑星では、カイパーベルトは惑星の形成と移動と現在の巨大惑星構成からの重力摂動の組み合わせによって彫刻された動的サブ集団を含んでいる。
観測されたカイパーベルト天体(kbos)の異なる力学クラスへの細分化は、それらの軌道の数値積分における現在の軌道進化に基づいている。
本稿では、機械学習アルゴリズムが、この分類に必要な計算時間と人的労力を削減する有望なツールであることを実証する。
短時間の数値シミュレーションから得られた特徴に基づいて訓練された機械学習回帰木分類器であるgradient boosting classifierを用いて,kboを古典的,共鳴的,分離的,散乱的4つの異なる集団に分類した。
これらのオブジェクトの80%以上がクラスメンバーシップの$>3\sigma$確率を持ち、機械学習の手法がそれぞれの集団の基本的な力学特性に基づいて分類されていることを示している。
また,従来の手法よりも計算的貯蓄を用いて,観察誤差から引き出されたオブジェクトクローンの集合を調べることで,クラスメンバーシップの分布を迅速に導出できることを示す。
誤分類の主な理由は2つある: 物体の軌道における内在的曖昧性(例えば共鳴の縁にある物体)と、訓練セットにおける代表例の欠如である。
この研究は、今後10年間の調査で見つかるであろう何千もの新しいkboの迅速かつ正確な分類を探求するための有望な道筋を提供する。
関連論文リスト
- Asteroids co-orbital motion classification based on Machine Learning [0.0]
我々は、JPLホライズンズ系の実際の小惑星の自転を捉え、惑星との平均運動共鳴における4つの異なる動きについて考察する。
変数テータの時系列は、その問題に対してアドホックを定義したデータ解析パイプラインを用いて研究される。
我々は,アルゴリズムが時系列を高い性能で正確に識別し,分類する方法を示す。
論文 参考訳(メタデータ) (2023-09-19T13:19:31Z) - Topological Augmentation for Class-Imbalanced Node Classification [64.20437487896343]
探索下トポロジ中心の視点から,クラス不均衡バイアスの源泉について検討した。
そこで我々は, アンビバシアン/ディスタントメッセージパッシングの影響を受けやすいノードを動的に修正する, 軽量なトポロジカル拡張手法TOBAを考案した。
ToBAはモデルに依存しない、効率的で多用途なソリューションであり、シームレスに組み合わせて、他の不均衡処理技術をさらに促進することができる。
論文 参考訳(メタデータ) (2023-08-27T19:01:29Z) - Continual Learning in Open-vocabulary Classification with Complementary
Memory Systems [21.1249754998627]
オープン語彙画像分類におけるフレキシブルで効率的な連続学習法を提案する。
サンプルのクラスが模範クラス内にあるというゼロショット推定確率を用いて、CLIPゼロショットモデルと模範モデルからの予測を組み合わせる。
また,遅延学習の原則を適応した"ツリープローブ"手法を提案し,競合精度の高い新しい例からバッチ学習線形モデルへの高速学習を実現する。
論文 参考訳(メタデータ) (2023-07-04T01:47:34Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳(メタデータ) (2023-03-17T13:53:59Z) - Deep Class-Incremental Learning: A Survey [68.21880493796442]
常に変化する世界で、新しいクラスが時々現れます。
新しいクラスのインスタンスでモデルを直接トレーニングする場合、モデルは破滅的に以前のモデルの特徴を忘れる傾向があります。
ベンチマーク画像分類タスクにおける16の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
論文 参考訳(メタデータ) (2023-02-07T17:59:05Z) - Leveraging Angular Information Between Feature and Classifier for
Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。
予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。
CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
論文 参考訳(メタデータ) (2022-12-03T07:52:48Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳(メタデータ) (2021-10-22T01:55:01Z) - 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) - Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。
提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。
この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文 参考訳(メタデータ) (2020-10-23T11:18:20Z) - Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。
モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。
Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
論文 参考訳(メタデータ) (2020-07-20T05:57:42Z) - A meta-algorithm for classification using random recursive tree
ensembles: A high energy physics application [0.0]
本研究の目的は,個別のバイナリクラスの存在下での自動分類のためのメタアルゴリズムを提案することである。
重なり合うクラスは、両方のクラスに属する高密度の点を持つ特徴空間におけるあいまいな領域の存在によって記述される。
提案したアルゴリズムは、実験物理学において最も成功した解析手法の1つである古典的な強化決定木の変種である。
論文 参考訳(メタデータ) (2020-01-19T18:22:18Z)
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。