論文の概要: Classification of Periodic Variable Stars with Novel Cyclic-Permutation
Invariant Neural Networks
- arxiv url: http://arxiv.org/abs/2011.01243v2
- Date: Wed, 28 Apr 2021 16:38:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 13:16:22.639913
- Title: Classification of Periodic Variable Stars with Novel Cyclic-Permutation
Invariant Neural Networks
- Title(参考訳): 新しい周期置換不変ニューラルネットワークによる周期可変星の分類
- Authors: Keming Zhang, Joshua S. Bloom
- Abstract要約: ニューラルネットの新しいクラスであるサイクリック置換不変ネットワークを提案する。
循環置換不変ネットワークの2つの実装は、不変でないベースラインを一貫して上回ることを示す。
ここで紹介される方法論は、幅広い科学分野にも適用可能であることを示唆する。
- 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: Neural networks (NNs) have been shown to be competitive against
state-of-the-art feature engineering and random forest (RF) classification of
periodic variable stars. Although previous work utilising NNs has made use of
periodicity by period folding multiple-cycle time-series into a single cycle --
from time-space to phase-space -- no approach to date has taken advantage of
the fact that network predictions should be invariant to the initial phase of
the period-folded sequence. Initial phase is exogenous to the physical origin
of the variability and should thus be factored out. Here, we present
cyclic-permutation invariant networks, a novel class of NNs for which
invariance to phase shifts is guaranteed through polar coordinate convolutions,
which we implement by means of "Symmetry Padding." Across three different
datasets of variable star light curves, we show that two implementations of the
cyclic-permutation invariant network: the iTCN and the iResNet, consistently
outperform non-invariant baselines and reduce overall error rates by between 4%
to 22%. Over a 10-class OGLE-III sample, the iTCN/iResNet achieves an average
per-class accuracy of 93.4%/93.3%, compared to RNN/RF accuracies of 70.5%/89.5%
in a recent study using the same data. Finding improvement on a non-astronomy
benchmark, we suggest that the methodology introduced here should also be
applicable to a wide range of science domains where periodic data abounds due
to physical symmetries.
- Abstract(参考訳): ニューラルネットワーク(NN)は、周期変動星の最先端の特徴工学とランダム森林(RF)の分類と競合することが示されている。
これまでのNNを使った作業では、複数のサイクルの時系列を1サイクル(時間空間からフェーズ空間まで)に折り畳むことで周期性を利用していたが、ネットワーク予測が周期展開されたシーケンスの初期フェーズに不変であるという利点を生かしたアプローチはない。
初期段階は変動の物理的起源と外生的であり、従って分解すべきである。
ここでは、位相シフトへの不変性が極座標畳み込みによって保証される新しいnnのクラスである循環置換不変ネットワークについて述べる。
可変星光曲線の3つの異なるデータセットにおいて、循環置換不変ネットワークの2つの実装、iTCNとiResNetは一貫して非不変基底線を上回り、全体のエラー率を4%から22%削減することを示した。
10 クラスの ogle-iii サンプルに対して、itcn/iresnet はクラスごとの平均精度 93.4%/93.3% を達成し、rnn/rf は 70.5%/89.5% である。
非天文学のベンチマークで改善点を見出した結果、この手法は、物理対称性によって周期データが蓄積される幅広い科学領域にも適用可能であることが示唆された。
関連論文リスト
- Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。
我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。
本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
論文 参考訳(メタデータ) (2024-05-22T17:23:15Z) - Non Commutative Convolutional Signal Models in Neural Networks:
Stability to Small Deformations [111.27636893711055]
非可換畳み込みフィルタのフィルタ特性と安定性について検討する。
この結果は,グループニューラルネットワーク,マルチグラフニューラルネットワーク,四元系ニューラルネットワークに直接影響する。
論文 参考訳(メタデータ) (2023-10-05T20:27:22Z) - Time-Parameterized Convolutional Neural Networks for Irregularly Sampled
Time Series [26.77596449192451]
不規則にサンプリングされた時系列は、いくつかのアプリケーション領域でユビキタスであり、スパースであり、完全に観測されていない、非整合的な観察に繋がる。
標準シーケンシャルニューラルネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)は、観測時間間の定期的な間隔を考慮し、不規則な時系列モデリングに重大な課題を提起する。
時間的に不規則なカーネルを用いて畳み込み層をパラメータ化する。
論文 参考訳(メタデータ) (2023-08-06T21:10:30Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳(メタデータ) (2023-06-06T09:12:49Z) - Joint Bayesian Inference of Graphical Structure and Parameters with a
Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。
サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。
パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文 参考訳(メタデータ) (2023-05-30T19:16:44Z) - Distribution estimation and change-point detection for time series via
DNN-based GANs [0.0]
GAN(Generative Adversarial Network)は、独立および同一の分散データの分布を推定するために最近応用されている。
本稿では,定常時系列の分布を推定するためのGANの有効性を示すためにブロッキング手法を用いる。
論文 参考訳(メタデータ) (2022-11-26T14:33:34Z) - Interrelation of equivariant Gaussian processes and convolutional neural
networks [77.34726150561087]
現在、ニューラルネットワーク(NN)とガウス過程(GP)の関係に基づく機械学習(ML)には、かなり有望な新しい傾向がある。
本研究では、ベクトル値のニューロン活性化を持つ2次元ユークリッド群とそれに対応する独立に導入された同変ガウス過程(GP)との関係を確立する。
論文 参考訳(メタデータ) (2022-09-17T17:02:35Z) - Hyper Attention Recurrent Neural Network: Tackling Temporal Covariate
Shift in Time Series Analysis [18.164097348714265]
非定常時系列では、異なるセグメント間での分布シフトがしばしば存在する。
グローバル情報がないため、RNNはこれらのセグメントの適合バイアスのジレンマに簡単に潜入できる。
マイクロ情報とマクロ情報の両方を含む時間パターンをモデル化するためのハイパーアテンションリカレントニューラルネットワーク(HARNN)を提案する。
論文 参考訳(メタデータ) (2022-02-22T10:58:26Z) - Time Series Classification Using Convolutional Neural Network On
Imbalanced Datasets [0.0]
時系列分類(TSC)はその幅広い用途のために文学において多くの注目を集めている。
本稿では、サンプリングベースとアルゴリズムアプローチの両方を用いて、不均衡問題に対処する。
不均衡比が高いにもかかわらず、シミュレーションされたTwoPatternsデータセットではFスコアが97.6%に達する可能性がある。
論文 参考訳(メタデータ) (2021-10-10T10:02:14Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳(メタデータ) (2021-10-06T16:08:44Z) - Multiclass classification of dephasing channels [12.625270928150035]
単一量子デファスチャネルの環境パラメータの分類におけるニューラルネットワーク(NN)の利用に対処する。
どちらの場合も、NNはノイズレスデータを使ってパラメータを正確に16のクラスに分類できることがわかった。
ノイズの多いデータが存在する場合、ネットワークは1/アルファノイズの色を約70%の精度で16のクラスに分類することができる。
論文 参考訳(メタデータ) (2021-08-03T15:31:28Z)
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。