論文の概要: In search of the weirdest galaxies in the Universe

• arxiv url: http://arxiv.org/abs/2007.08530v1
• Date: Thu, 16 Jul 2020 18:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 00:10:07.679317
• Title: In search of the weirdest galaxies in the Universe
• Title（参考訳）: 宇宙で最も奇妙な銀河の探索
• Authors: Job Formsma, Teymoor Saifollahi
• Abstract要約: ワイド銀河(Werd galaxy)は、未知または非常に珍しい特徴を持つ外層であり、通常の試料と異なる。 本研究では、2つの異なる外周検出技術を用いて、奇妙な外周銀河を探索する。 両手法ともデータから重要な特徴を抽出し,様々な種類の外れ値を見つけるために利用できることがわかった。
• 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: Weird galaxies are outliers that have either unknown or very uncommon features making them different from the normal sample. These galaxies are very interesting as they may provide new insights into current theories, or can be used to form new theories about processes in the Universe. Interesting outliers are often found by accident, but this will become increasingly more difficult with future big surveys generating an enormous amount of data. This gives the need for machine learning detection techniques to find the interesting weird objects. In this work, we inspect the galaxy spectra of the third data release of the Galaxy And Mass Assembly survey and look for the weird outlying galaxies using two different outlier detection techniques. First, we apply distance-based Unsupervised Random Forest on the galaxy spectra using the flux values as input features. Spectra with a high outlier score are inspected and divided into different categories such as blends, quasi-stellar objects, and BPT outliers. We also experiment with a reconstruction-based outlier detection method using a variational autoencoder and compare the results of the two different methods. At last, we apply dimensionality reduction techniques on the output of the methods to inspect the clustering of similar spectra. We find that both unsupervised methods extract important features from the data and can be used to find many different types of outliers.
• Abstract（参考訳）: 奇妙な銀河は未知または非常に珍しい特徴を持つ異常銀河であり、通常の標本とは異なる。 これらの銀河は、現在の理論に新たな洞察を与えるかもしれないし、宇宙の過程に関する新しい理論を形成するのに使うことができるので、非常に興味深い。 興味深い外れ値はしばしば偶然に見つかるが、将来の大規模調査が膨大なデータを生成することで、これはますます難しくなっていくだろう。 これにより、興味深い奇妙なオブジェクトを見つけるために機械学習検出技術が必要になる。 本研究では,銀河と質量集合体に関する第3のデータリリースの銀河スペクトルを精査し,二つの異なる異常検出手法を用いて奇妙な外向き銀河を探索する。 まず,フラックス値を入力として,銀河スペクトルに距離に基づく教師なしランダムフォレストを適用する。 高い外れ値を持つスペクトルは、ブレンド、準恒星天体、bpt外れ値などの異なるカテゴリに検査および分割される。 また,変分オートエンコーダを用いた再構成型異常検出法を実験し,この2つの方法の比較を行った。 最後に,類似スペクトルのクラスタリングを検査するために,手法の出力に次元性低減技術を適用する。 両手法ともデータから重要な特徴を抽出し,様々な種類の外れ値を見つけるために利用できることがわかった。

関連論文リスト

• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Multiscale Feature Attribution for Outliers [0.0]
  本稿では,特に外れ値に特化して設計された特徴帰属手法である逆マルチスケールオクルージョンを提案する。 ダークエネルギーサーベイ・インスツルメンツから検出された銀河スペクトルの外れ値について,本手法を実証する。
  論文  参考訳（メタデータ） (2023-10-30T20:58:28Z)
• Multi-Class Deep SVDD: Anomaly Detection Approach in Astronomy with Distinct Inlier Categories [46.34797489552547]
  我々は,異なるデータ分布を持つ複数の不整合カテゴリを扱うために,MCDSVDD(Multi-class Deep Support Vector Data Description)を提案する。 MCDSVDDはニューラルネットワークを使用してデータをハイパースフィアにマッピングする。 以上の結果から, 異常源の検出にMDCSVDDが有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-08-09T15:10:53Z)
• Is it worth it? An experimental comparison of six deep- and classical machine learning methods for unsupervised anomaly detection in time series [35.07288247575299]
  我々は6つの教師なし異常検出手法を異なる複雑さで比較し、質問に答える。 本研究では,従来の機械学習手法が,多種多様な異常型を対象としたディープラーニング手法と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-12-21T15:27:52Z)
• 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)
• Detection of extragalactic Ultra-Compact Dwarfs and Globular Clusters using Explainable AI techniques [1.3764085113103222]
  銀河を取り巻く超コンパクト小星(UCD)や球状星団(GC)のような小さな恒星系は、これらの銀河を形成する融合現象のトレーサーとして知られている。 ここでは、Fornax銀河団のマルチ波長イメージングデータを用いて、これらの物体を前景の星や背景銀河から6個のフィルターで分離する機械学習モデルを訓練する。 精度と93%のリコールでUDD/GCを識別でき、各特徴量%(色と角の大きさ)の重要性を反映した関連性を提供します。
  論文  参考訳（メタデータ） (2022-01-05T13:37:55Z)
• On the Frequency Bias of Generative Models [61.60834513380388]
  我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。 既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。 以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
  論文  参考訳（メタデータ） (2021-11-03T18:12:11Z)
• Practical Galaxy Morphology Tools from Deep Supervised Representation Learning [0.0]
  深層学習モデルは、銀河の意味的な意味的表現を学習する。 我々はこれらの表現を利用して、大きな銀河のサンプルを調べるのに不可欠ないくつかの実践的なタスクにおいて、既存のアプローチを上回ります。
  論文  参考訳（メタデータ） (2021-10-25T08:46:16Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)

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。