論文の概要: Uncertainty-Aware Learning for Improvements in Image Quality of the
Canada-France-Hawaii Telescope
- arxiv url: http://arxiv.org/abs/2107.00048v1
- Date: Wed, 30 Jun 2021 18:10:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 13:40:24.485546
- Title: Uncertainty-Aware Learning for Improvements in Image Quality of the
Canada-France-Hawaii Telescope
- Title（参考訳）: カナダ・フランス・ハワイ望遠鏡の画質向上のための不確かさ認識学習
- Authors: Sankalp Gilda and Stark C. Draper and Sebastien Fabbro and William
Mahoney and Simon Prunet and Kanoa Withington and Matthew Wilson and Yuan-Sen
Ting and Andrew Sheinis
- Abstract要約: 我々は、現状の機械学習手法を利用して、環境条件や観測操作パラメータから観測画像の品質(IQ)を予測する。
我々は,CFHT の広視野カメラ MegaCam において,データ特徴と観測された IQ 間の複素依存の高精度かつ解釈可能なモデルを開発した。
- 参考スコア（独自算出の注目度）: 9.963669010212012
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We leverage state-of-the-art machine learning methods and a decade's worth of
archival data from the Canada-France-Hawaii Telescope (CFHT) to predict
observatory image quality (IQ) from environmental conditions and observatory
operating parameters. Specifically, we develop accurate and interpretable
models of the complex dependence between data features and observed IQ for
CFHT's wide field camera, MegaCam. Our contributions are several-fold. First,
we collect, collate and reprocess several disparate data sets gathered by CFHT
scientists. Second, we predict probability distribution functions (PDFs) of IQ,
and achieve a mean absolute error of $\sim0.07''$ for the predicted medians.
Third, we explore data-driven actuation of the 12 dome ``vents'', installed in
2013-14 to accelerate the flushing of hot air from the dome. We leverage
epistemic and aleatoric uncertainties in conjunction with probabilistic
generative modeling to identify candidate vent adjustments that are
in-distribution (ID) and, for the optimal configuration for each ID sample, we
predict the reduction in required observing time to achieve a fixed SNR. On
average, the reduction is $\sim15\%$. Finally, we rank sensor data features by
Shapley values to identify the most predictive variables for each observation.
Our long-term goal is to construct reliable and real-time models that can
forecast optimal observatory operating parameters for optimization of IQ. Such
forecasts can then be fed into scheduling protocols and predictive maintenance
routines. We anticipate that such approaches will become standard in automating
observatory operations and maintenance by the time CFHT's successor, the
Maunakea Spectroscopic Explorer (MSE), is installed in the next decade.
- Abstract（参考訳）: カナダ・フランス・ハワイ望遠鏡(CFHT)の最先端の機械学習手法と10年分のアーカイブデータを利用して、環境条件や観測操作パラメータから観測画像の品質(IQ)を予測する。
具体的には,CFHT の広視野カメラ MegaCam において,データ特徴と観測された IQ 間の複素依存の高精度かつ解釈可能なモデルを構築した。
私たちの貢献は数倍です。
まず、CFHT科学者が収集した様々なデータセットを収集、照合、再処理する。
次に、IQの確率分布関数(PDF)を予測し、予測中央値に対して平均絶対誤差を$\sim0.07'$とする。
第3に,2013-14年に設置された12個のドーム ‘`vents'' のデータ駆動動作について検討した。
分布内分布(id)の候補ベント調整を同定するために,確率的生成モデルと連動して認識論的・随伴的不確かさを活用し,各idサンプルの最適配置について,所要観測時間の短縮を予測し,固定snrを実現する。
平均して、この削減は$\sim15\%$である。
最後に,センサデータの特徴をshapley値でランク付けし,各観測値の予測変数を同定した。
我々の長期目標は、IQの最適化のために最適な観測操作パラメータを予測できる信頼性とリアルタイムのモデルを構築することである。
このような予測は、スケジューリングプロトコルと予測メンテナンスルーチンに反映される。
我々は,CFHTの後継であるMaunakea Spectroscopic Explorer (MSE) が今後10年以内に設置されるまでに,観測操作の自動化とメンテナンスの自動化において,このようなアプローチが標準となることを期待している。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - Generative ensemble deep learning severe weather prediction from a
deterministic convection-allowing model [0.0]
コンボリューション・ニューラル・ネットワーク(CNN)とコンボリューション・コンボリューション・アロイング・モデル(CAM)予測を併用する。
CGANは決定論的CAM予測から合成アンサンブルメンバーを作成するように設計されている。
この手法は,BSS(Brier Skill Score)を最大20%の精度で予測できる。
論文 参考訳（メタデータ） (2023-10-09T18:02:11Z) - Towards Interpretable Solar Flare Prediction with Attention-based Deep
Neural Networks [1.1624569521079424]
太陽フレア予測は宇宙天気予報の中心的な問題である。
我々は、フルディスクのバイナリフレア予測を行うための注意に基づくディープラーニングモデルを開発した。
本モデルでは、フルディスク磁気画像から、アクティブ領域に対応する顕著な特徴を学習することができる。
論文 参考訳（メタデータ） (2023-09-08T19:21:10Z) - Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。
信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
論文 参考訳（メタデータ） (2023-01-25T19:35:23Z) - MQRetNN: Multi-Horizon Time Series Forecasting with Retrieval
Augmentation [1.8692254863855964]
マルチホライゾン確率的時系列予測は、需要予測のような現実世界のタスクに広く適用可能である。
ニューラルネットワークの時系列予測における最近の研究は、主にSeq2Seqアーキテクチャの使用に焦点を当てている。
本稿では,クロスエンタリティ情報を導入してモデル性能を向上させることを目的として,クロスエンタリティアテンション機構と,どのエンティティを参加させるかを選択する検索機構を提案する。
論文 参考訳（メタデータ） (2022-07-21T14:51:58Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High
Solar Scenarios [0.0]
本稿では, 日頭ネット負荷の確率的予測を15分分解能, 様々な太陽透過レベルで生成する深層学習手法を提案する。
これらのモデルは、既存のベンチマークモデルと比較して、優れた予測性能を提供するとともに、優れたトレーニング効率を維持することが示されている。
論文 参考訳（メタデータ） (2022-03-05T10:54:54Z) - Feature-weighted Stacking for Nonseasonal Time Series Forecasts: A Case
Study of the COVID-19 Epidemic Curves [0.0]
本研究では,非シーズン時間帯での利用可能性について,予測におけるアンサンブル手法について検討する。
予備予測段階における予測能力を証明する2つの予測モデルと2つのメタ機能からなる重畳アンサンブルを用いて遅延データ融合を提案する。
論文 参考訳（メタデータ） (2021-08-19T14:44:46Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z)
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。