Fugu-MT 論文翻訳(概要): Extensive Studies of the Neutron Star Equation of State from the Deep Learning Inference with the Observational Data Augmentation

論文の概要: Extensive Studies of the Neutron Star Equation of State from the Deep Learning Inference with the Observational Data Augmentation

arxiv url: http://arxiv.org/abs/2101.08156v1
Date: Wed, 20 Jan 2021 14:27:12 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:13:45.342168
Title: Extensive Studies of the Neutron Star Equation of State from the Deep Learning Inference with the Observational Data Augmentation
Title（参考訳）: 観測データ拡張による深層学習推論による中性子星の状態方程式の広範的研究
Authors: Yuki Fujimoto, Kenji Fukushima, Koichi Murase
Abstract要約: 質量と半径の実際の観測データを用いて、状態の中性子星方程式(EoS)の深層学習推論について議論する。観測に不確実性を組み込む深層学習法では,観測の不確実性に対応する雑音変動を伴うトレーニングデータを増強する。このデータ拡張は,ニューラルネットワークアーキテクチャをチューニングすることなく,過剰フィッティングを回避するための有用な手法である可能性が示唆された。
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: We discuss deep learning inference for the neutron star equation of state (EoS) using the real observational data of the mass and the radius. We make a quantitative comparison between the conventional polynomial regression and the neural network approach for the EoS parametrization. For our deep learning method to incorporate uncertainties in observation, we augment the training data with noise fluctuations corresponding to observational uncertainties. Deduced EoSs can accommodate a weak first-order phase transition, and we make a histogram for likely first-order regions. We also find that our observational data augmentation has a byproduct to tame the overfitting behavior. To check the performance improved by the data augmentation, we set up a toy model as the simplest inference problem to recover a double-peaked function and monitor the validation loss. We conclude that the data augmentation could be a useful technique to evade the overfitting without tuning the neural network architecture such as inserting the dropout.
Abstract（参考訳）: 中性子星の状態方程式(EoS)の深層学習推定について,質量と半径の実観測データを用いて検討した。従来の多項式回帰とニューラルネットワークによるeosパラメトリゼーションを定量的に比較した。観測に不確実性を組み込む深層学習法では,観測の不確実性に対応する雑音変動を伴うトレーニングデータを増強する。推定されたEoSsは、弱い一階相転移に対応でき、おそらく一階領域のヒストグラムを作成する。また, 観測データの増大は, 過度に適合する行動を抑える副産物であることがわかった。データ拡張によって性能が向上するのを確認するために,ダブルピーク関数を復元し,検証損失を監視するための最も単純な推論問題として,toyモデルを設定した。我々は、データ拡張は、ドロップアウトを挿入するなどのニューラルネットワークアーキテクチャをチューニングすることなく、過剰フィッティングを回避するのに有用なテクニックであると結論づける。