論文の概要: SRoll3: A neural network approach to reduce large-scale systematic
effects in the Planck High Frequency Instrument maps
- arxiv url: http://arxiv.org/abs/2012.09702v1
- Date: Thu, 17 Dec 2020 16:13:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 15:17:55.445045
- Title: SRoll3: A neural network approach to reduce large-scale systematic
effects in the Planck High Frequency Instrument maps
- Title（参考訳）: sroll3: プランク高周波楽器マップにおける大規模系統効果低減のためのニューラルネットワークアプローチ
- Authors: Manuel L\'opez-Radcenco, Jean-Marc Delouis and Laurent Vibert
- Abstract要約: 構造化汚染源を低減するためのニューラルネットワークに基づくデータインバージョン手法を提案する。
我々はPlanck High Frequency Instrument (Planck-HFI)データに対するマップ作成と大規模な系統的効果の除去に焦点を当てた。
- 参考スコア（独自算出の注目度）: 0.17188280334580192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the present work, we propose a neural network based data inversion
approach to reduce structured contamination sources, with a particular focus on
the mapmaking for Planck High Frequency Instrument (Planck-HFI) data and the
removal of large-scale systematic effects within the produced sky maps. The
removal of contamination sources is rendered possible by the structured nature
of these sources, which is characterized by local spatiotemporal interactions
producing couplings between different spatiotemporal scales. We focus on
exploring neural networks as a means of exploiting these couplings to learn
optimal low-dimensional representations, optimized with respect to the
contamination source removal and mapmaking objectives, to achieve robust and
effective data inversion. We develop multiple variants of the proposed
approach, and consider the inclusion of physics informed constraints and
transfer learning techniques. Additionally, we focus on exploiting data
augmentation techniques to integrate expert knowledge into an otherwise
unsupervised network training approach. We validate the proposed method on
Planck-HFI 545 GHz Far Side Lobe simulation data, considering ideal and
non-ideal cases involving partial, gap-filled and inconsistent datasets, and
demonstrate the potential of the neural network based dimensionality reduction
to accurately model and remove large-scale systematic effects. We also present
an application to real Planck-HFI 857 GHz data, which illustrates the relevance
of the proposed method to accurately model and capture structured contamination
sources, with reported gains of up to one order of magnitude in terms of
contamination removal performance. Importantly, the methods developed in this
work are to be integrated in a new version of the SRoll algorithm (SRoll3), and
we describe here SRoll3 857 GHz detector maps that will be released to the
community.
- Abstract（参考訳）: 本研究では,Planck High Frequency Instrument(Planck-HFI)データに対するマップ作成と,生成したスカイマップ内の大規模な系統的効果の除去に着目し,構造化汚染源の削減を目的としたニューラルネットワークに基づくデータインバージョン手法を提案する。
汚染源の除去は、異なる時空間スケール間のカップリングを生み出す局所時空間相互作用によって特徴づけられるこれらの源の構造的性質によって可能となる。
これらの結合を利用して最適な低次元表現を学習し、汚染源除去と地図作成の目的に最適化し、堅牢で効果的なデータインバージョンを実現する手段として、ニューラルネットワークの探索に焦点をあてる。
提案手法の多種多様な変種を開発し,物理学的インフォームド制約とトランスファー学習技術の導入を検討する。
さらに、専門家の知識を教師なしのネットワークトレーニングアプローチに統合するために、データ拡張技術を活用することに注力する。
提案手法をPlanck-HFI 545 GHz Far Side Lobe シミュレーションデータに適用し,部分的,ギャップ満載,一貫性のないデータセットを含む理想的,非理想的事例を考察し,ニューラルネットワークに基づく次元性低減の可能性を示す。
また,本論文では,実プランクhfi 857 ghzデータに適用し,汚染除去性能の面で最大1桁の利益を報告し,構造的汚染源を正確にモデル化・捕捉するための提案手法の妥当性を示す。
本研究で開発された手法は,SRollアルゴリズムの新バージョン(SRoll3)に統合され,SRoll3 857 GHz検出器マップをコミュニティに公開する。
関連論文リスト
- SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction [26.02191880837226]
本研究では3次元地震データに適した新しい拡散モデル再構成フレームワークを提案する。
拡散モデルに3次元ニューラルネットワークアーキテクチャを導入し、2次元拡散モデルを3次元空間に拡張することに成功した。
本手法は、フィールドデータセットと合成データセットの両方に適用した場合、より優れた再構成精度を示す。
論文 参考訳（メタデータ） (2024-03-18T05:10:13Z) - Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。
本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。
エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。
さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文 参考訳（メタデータ） (2023-10-16T05:49:28Z) - SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳（メタデータ） (2023-09-28T19:39:13Z) - Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。
直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文 参考訳（メタデータ） (2023-01-06T05:01:05Z) - Minimizing the Accumulated Trajectory Error to Improve Dataset
Distillation [151.70234052015948]
本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。
合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。
本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
論文 参考訳（メタデータ） (2022-11-20T15:49:11Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Local approximate Gaussian process regression for data-driven
constitutive laws: Development and comparison with neural networks [0.0]
局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。
FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
論文 参考訳（メタデータ） (2021-05-07T14:49:28Z) - Model-inspired Deep Learning for Light-Field Microscopy with Application
to Neuron Localization [27.247818386065894]
光フィールド顕微鏡画像を用いた高速かつ堅牢なソースの3Dローカリゼーションを実現するモデルに基づくディープラーニング手法を提案する。
これは畳み込みスパース符号化問題を効率的に解くディープネットワークを開発することによって実現される。
光場からのほ乳類ニューロンの局在化実験により,提案手法が性能,解釈性,効率の向上をもたらすことが示された。
論文 参考訳（メタデータ） (2021-03-10T16:24:47Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。