Fugu-MT 論文翻訳(概要): PyLightcurve-torch: a transit modelling package for deep learning applications in PyTorch

論文の概要: PyLightcurve-torch: a transit modelling package for deep learning applications in PyTorch

arxiv url: http://arxiv.org/abs/2011.02030v2
Date: Mon, 28 Dec 2020 17:49:13 GMT
ステータス: 処理完了
システム内更新日: 2022-09-30 06:28:34.346811
Title: PyLightcurve-torch: a transit modelling package for deep learning applications in PyTorch
Title（参考訳）: PyLightcurve-torch: PyTorchのディープラーニングアプリケーションのためのトランジットモデリングパッケージ
Authors: Mario Morvan, Angelos Tsiaras, Nikolaos Nikolaou and Ingo P. Waldmann
Abstract要約: 我々はPyLightcurveとPyTorchをベースにした新しいオープンソースpythonパッケージを提案する。効率的な計算と外惑星トランジットの自動分化のために調整されている。
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: We present a new open source python package, based on PyLightcurve and PyTorch, tailored for efficient computation and automatic differentiation of exoplanetary transits. The classes and functions implemented are fully vectorised, natively GPU-compatible and differentiable with respect to the stellar and planetary parameters. This makes PyLightcurve-torch suitable for traditional forward computation of transits, but also extends the range of possible applications with inference and optimisation algorithms requiring access to the gradients of the physical model. This endeavour is aimed at fostering the use of deep learning in exoplanets research, motivated by an ever increasing amount of stellar light curves data and various incentives for the improvement of detection and characterisation techniques.
Abstract（参考訳）: 我々は,pylightcurve と pytorch をベースにした新しいオープンソースの python パッケージを提案する。実装されたクラスと関数は完全にベクトル化され、gpu互換であり、恒星や惑星のパラメーターに対して微分可能である。これにより、PyLightcurve-torchはトランジットの従来の前方計算に適しているが、物理モデルの勾配にアクセスする必要のある推論と最適化アルゴリズムにより、可能なアプリケーションの範囲を広げる。この取り組みは、太陽系外惑星研究における深層学習の活用を促進することを目的としており、恒星の光曲線データの増加と、検出とキャラクタリゼーション技術の改善のための様々なインセンティブによって動機付けられている。

関連論文リスト

Neural Gaussian Scale-Space Fields [60.668800252986976]
任意の信号の連続的異方性ガウススケール空間を効率よく学習する手法を提案する。我々の手法は自己指導的であり、訓練は手作業によるフィルタリングを必要としない。我々のニューラルガウススケール空間場は、幅広いモダリティの多スケール表現を忠実に捉えている。
論文参考訳（メタデータ） (2024-05-31T16:26:08Z)
Identifying Light-curve Signals with a Deep Learning Based Object Detection Algorithm. II. A General Light Curve Classification Framework [0.0]
弱教師付き物体検出モデルを用いて光曲線を分類するための新しいディープラーニングフレームワークを提案する。本フレームワークは,光曲線とパワースペクトルの両方に最適なウィンドウを自動同定し,対応するデータにズームインする。我々は、変動星と過渡星の宇宙と地上の両方のマルチバンド観測から得られたデータセットに基づいてモデルを訓練する。
論文参考訳（メタデータ） (2023-11-14T11:08:34Z)
PyHopper -- Hyperparameter optimization [51.40201315676902]
我々は機械学習研究者のためのブラックボックス最適化プラットフォームであるPyHopperを紹介する。 PyHopperの目標は、最小限の労力で既存のコードと統合し、最小限のマニュアル監視で最適化プロセスを実行することである。単純さを主テーマとして、PyHopperは単一のロバストなマルコフチェーンモンテカルロ最適化アルゴリズムを利用している。
論文参考訳（メタデータ） (2022-10-10T14:35:01Z)
Scaling Forward Gradient With Local Losses [117.22685584919756]
フォワード学習は、ディープニューラルネットワークを学ぶためのバックプロップに代わる生物学的に妥当な代替手段である。重みよりも活性化に摂動を適用することにより、前方勾配のばらつきを著しく低減できることを示す。提案手法はMNIST と CIFAR-10 のバックプロップと一致し,ImageNet 上で提案したバックプロップフリーアルゴリズムよりも大幅に優れていた。
論文参考訳（メタデータ） (2022-10-07T03:52:27Z)
Deep Autoencoder Model Construction Based on Pytorch [0.0]
本稿では、Pytorchをオートエンコーダに導入し、特定の確率で隠蔽層ニューロンに接続された入力重みをランダムに除去する。新しいアルゴリズムは、モデルのオーバーフィッティングの問題を効果的に解決し、画像分類の精度を向上させる。
論文参考訳（メタデータ） (2022-08-17T11:19:05Z)
PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。 PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。 PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文参考訳（メタデータ） (2022-01-12T07:32:36Z)
Latte: Cross-framework Python Package for Evaluation of Latent-Based Generative Models [65.51757376525798]
Latteは、潜伏型生成モデルを評価するためのPythonライブラリである。 LatteはPyTorchと/Kerasの両方と互換性があり、関数型APIとモジュール型APIの両方を提供する。
論文参考訳（メタデータ） (2021-12-20T16:00:28Z)
Identify Light-Curve Signals with Deep Learning Based Object Detection Algorithm. I. Transit Detection [4.282591407862616]
そこで我々は,コンピュータビジョン分野におけるオブジェクト検出の枠組みに基づいた,新しい検出アルゴリズムを開発した。このモデルでは,信号-雑音比が6より高いトランジットを同定するために,約90%の精度とリコールが得られる。提案アルゴリズムの結果は人間の視覚知覚の直感と一致し,シングルトランジット候補を見つけるのに有用である。
論文参考訳（メタデータ） (2021-08-02T07:15:13Z)
Deep Learning Framework From Scratch Using Numpy [0.0]
この研究は、完全に汎用的なディープラーニングフレームワークをゼロから厳格に開発したものである。ディープラーニングの基本コンポーネントは基本計算から開発され、PythonとNumpyライブラリのみを使用して、合理的なオブジェクト指向アプローチで実装されている。 ArrayFlowというフレームワークを使って解決された問題の例は、コンピュータビジョン分類タスク、カテナリーの形状の解法、二階微分方程式などである。
論文参考訳（メタデータ） (2020-11-17T06:28:05Z)
PyTorch Distributed: Experiences on Accelerating Data Parallel Training [11.393654219774444]
PyTorchは、ディープラーニングの研究や応用で広く使われている科学計算パッケージである。本稿では,PyTorch分散データ並列モジュールの設計,実装,評価について述べる。
論文参考訳（メタデータ） (2020-06-28T20:39:45Z)
PyChain: A Fully Parallelized PyTorch Implementation of LF-MMI for End-to-End ASR [65.20342293605472]
PyChainは、カルディ自動音声認識(ASR)ツールキットにおいて、いわゆるエンフィチェーンモデルのための、エンドツーエンドの格子フリー最大相互情報(LF-MMI)トレーニングの実装である。他のPyTorchやKaldiベースのASRツールキットとは異なり、PyChainは可能な限り柔軟で軽量に設計されている。
論文参考訳（メタデータ） (2020-05-20T02:10:21Z)

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。