論文の概要: Lessons Learned from the 1st ARIEL Machine Learning Challenge:
Correcting Transiting Exoplanet Light Curves for Stellar Spots
- arxiv url: http://arxiv.org/abs/2010.15996v1
- Date: Thu, 29 Oct 2020 23:56:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 23:56:18.781970
- Title: Lessons Learned from the 1st ARIEL Machine Learning Challenge:
Correcting Transiting Exoplanet Light Curves for Stellar Spots
- Title(参考訳): 1st ARIEL Machine Learning Challengeから学んだ教訓:ステラースポット用トランジット型外惑星光曲線の修正
- Authors: Nikolaos Nikolaou, Ingo P. Waldmann, Angelos Tsiaras, Mario Morvan,
Billy Edwards, Kai Hou Yip, Giovanna Tinetti, Subhajit Sarkar, James M.
Dawson, Vadim Borisov, Gjergji Kasneci, Matej Petkovic, Tomaz Stepisnik,
Tarek Al-Ubaidi, Rachel Louise Bailey, Michael Granitzer, Sahib Julka, Roman
Kern, Patrick Ofner, Stefan Wagner, Lukas Heppe, Mirko Bunse, Katharina Morik
- Abstract要約: 本稿では,恒星点の存在下での遷移光曲線からの遷移深さの導出を完全に自動化する第一歩を探求する。
提案した手法と成果は、欧州宇宙機関(ESA)の次回のアリエルミッションのために組織された第1回機械学習チャレンジの文脈で得られた。
- 参考スコア(独自算出の注目度): 10.01867867850419
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The last decade has witnessed a rapid growth of the field of exoplanet
discovery and characterisation. However, several big challenges remain, many of
which could be addressed using machine learning methodology. For instance, the
most prolific method for detecting exoplanets and inferring several of their
characteristics, transit photometry, is very sensitive to the presence of
stellar spots. The current practice in the literature is to identify the
effects of spots visually and correct for them manually or discard the affected
data. This paper explores a first step towards fully automating the efficient
and precise derivation of transit depths from transit light curves in the
presence of stellar spots. The methods and results we present were obtained in
the context of the 1st Machine Learning Challenge organized for the European
Space Agency's upcoming Ariel mission. We first present the problem, the
simulated Ariel-like data and outline the Challenge while identifying best
practices for organizing similar challenges in the future. Finally, we present
the solutions obtained by the top-5 winning teams, provide their code and
discuss their implications. Successful solutions either construct highly
non-linear (w.r.t. the raw data) models with minimal preprocessing -deep neural
networks and ensemble methods- or amount to obtaining meaningful statistics
from the light curves, constructing linear models on which yields comparably
good predictive performance.
- Abstract(参考訳): 過去10年間、太陽系外惑星の発見とキャラクタリゼーションの分野は急速に成長してきた。
しかし、いくつかの大きな課題は残っており、その多くが機械学習の方法論を使って対処できる。
例えば、太陽系外惑星を検知し、いくつかの特徴を推測する最も多産な方法であるトランジット光度計は、恒星点の存在に非常に敏感である。
文献における現在の実践は,スポットの効果を視覚的に識別し,手作業で修正するか,あるいは影響を受けたデータを破棄することである。
本稿では,恒星点の存在下での遷移光曲線からの遷移深度の効率的かつ正確な導出を完全に自動化する第一歩を探求する。
提案した手法と成果は、欧州宇宙機関(ESA)の次回のアリエルミッションのために組織された第1回機械学習チャレンジの文脈で得られた。
まず,arielのようなデータをシミュレートし,今後の課題を整理するためのベストプラクティスを特定しながら,課題の概要を示す。
最後に、上位5チームが獲得したソリューションを紹介し、コードを提供し、その意味について論じる。
成功したソリューションは、最小限の事前処理(ディープニューラルネットワークとアンサンブル方式)で高度に非線形(生データ)モデルを構築するか、光曲線から有意義な統計値を得るための量で、優れた予測性能を持つ線形モデルを構築するかのいずれかである。
関連論文リスト
- Training-free Anomaly Event Detection via LLM-guided Symbolic Pattern Discovery [70.75963253876628]
異常事象検出は、様々な現実世界のアプリケーションにおいて重要な役割を果たす。
オープンセットオブジェクト検出とシンボリック回帰を統合した学習自由フレームワークを提案する。
論文 参考訳(メタデータ) (2025-02-09T10:30:54Z) - Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。
光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。
本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
論文 参考訳(メタデータ) (2024-06-18T21:09:56Z) - Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。
既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。
3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文 参考訳(メタデータ) (2024-03-20T02:58:45Z) - Investigating Relative Performance of Transfer and Meta Learning [0.0]
本稿では,トランスファーラーニングとメタラーニングの2つの異なるアプローチを比較した研究結果について述べる。
包括的な目的は、多様な機械学習シナリオにおいて最も適切な方法を選択するための堅牢な基準を確立することである。
論文 参考訳(メタデータ) (2023-10-31T12:52:00Z) - Autoencoder-based Anomaly Detection in Streaming Data with Incremental
Learning and Concept Drift Adaptation [10.41066461952124]
ドリフト検出(strAEm++DD)を用いた自動エンコーダに基づく漸進学習手法を提案する。
提案手法は,逐次学習とドリフト検出の両方の利点を利用する。
我々は,重度あるいは極度のクラス不均衡を持つ実世界のデータセットと合成データセットを用いて実験を行い,StraAEm++DDの実証分析を行った。
論文 参考訳(メタデータ) (2023-05-15T19:40:04Z) - Exoplanet Detection by Machine Learning with Data Augmentation [0.0]
ディープラーニングは、外惑星検出パイプラインの一部を自動化する可能性がある。
利用可能なデータセットの少なさは、強力なネットワークアーキテクチャから期待されるパフォーマンスレベルを実現するのを難しくする。
本研究では,データ拡張によって外惑星検出問題に対するモデル性能が向上する可能性を実証する。
論文 参考訳(メタデータ) (2022-11-28T17:35:16Z) - Let's Enhance: A Deep Learning Approach to Extreme Deblurring of Text
Images [3.441021278275805]
本研究は,画像劣化の逆問題に対する,ディープラーニングに基づく新しいパイプラインを提案する。
我々の結果は、最新の最先端のデブロアリングアルゴリズムの限界を探求することを目的とした、最近のヘルシンキのデブロアリングチャレンジ2021への私たちの勝利を基盤にしています。
論文 参考訳(メタデータ) (2022-11-18T09:06:56Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳(メタデータ) (2022-07-29T02:34:19Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳(メタデータ) (2020-10-22T17:49:25Z) - SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural
Networks [81.64530401885476]
本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。
具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。
我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
論文 参考訳(メタデータ) (2020-10-19T09:23:39Z) - LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。
我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。
この技術的レポートは、課題のハイライトを要約している。
論文 参考訳(メタデータ) (2020-10-17T13:06:12Z)
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。