Fugu-MT 論文翻訳(概要): Automatic classification of eclipsing binary stars using deep learning methods

論文の概要: Automatic classification of eclipsing binary stars using deep learning methods

arxiv url: http://arxiv.org/abs/2108.01640v1
Date: Tue, 3 Aug 2021 17:28:03 GMT
ステータス: 処理完了
システム内更新日: 2021-08-04 13:48:24.087008
Title: Automatic classification of eclipsing binary stars using deep learning methods
Title（参考訳）: 深層学習法による楕円二元星の自動分類
Authors: Michal \v{C}okina, Viera Maslej-Kre\v{s}\v{n}\'akov\'a, Peter Butka, \v{S}tefan Parimucha
Abstract要約: 本稿では,深層学習を用いた楕円形星の自動分類に着目する。我々の分類器は、二元星の光曲線を2つのクラスに分類するためのツールを提供する。最高の性能の分類器は、双方向長短期記憶(LSTM)と1次元畳み込みニューラルネットワークを組み合わせることで、評価セットで98%の精度を達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In the last couple of decades, tremendous progress has been achieved in developing robotic telescopes and, as a result, sky surveys (both terrestrial and space) have become the source of a substantial amount of new observational data. These data contain a lot of information about binary stars, hidden in their light curves. With the huge amount of astronomical data gathered, it is not reasonable to expect all the data to be manually processed and analyzed. Therefore, in this paper, we focus on the automatic classification of eclipsing binary stars using deep learning methods. Our classifier provides a tool for the categorization of light curves of binary stars into two classes: detached and over-contact. We used the ELISa software to obtain synthetic data, which we then used for the training of the classifier. For evaluation purposes, we collected 100 light curves of observed binary stars, in order to evaluate a number of classifiers. We evaluated semi-detached eclipsing binary stars as detached. The best-performing classifier combines bidirectional Long Short-Term Memory (LSTM) and a one-dimensional convolutional neural network, which achieved 98% accuracy on the evaluation set. Omitting semi-detached eclipsing binary stars, we could obtain 100% accuracy in classification.
Abstract（参考訳）: 過去数十年の間に、ロボット望遠鏡の開発において大きな進歩が達成され、結果として、地上と宇宙の両方のスカイサーベイが、膨大な量の新しい観測データの源となっている。これらのデータは、光度曲線に隠された連星に関する多くの情報を含んでいる。膨大な量の天文データが集められているため、すべてのデータが手作業で処理され分析されることを期待するのは合理的ではない。そこで本研究では,深層学習手法を用いて,黄道2重星の自動分類に注目する。我々の分類器は二元星の光曲線を2つのクラスに分類するためのツールを提供する。 ELISaソフトウェアを用いて合成データを取得し,それを分類器の訓練に利用した。評価のために、観測された連星の100光度曲線を収集し、複数の分類器を評価した。半分解した2重星を分離した。最高の性能の分類器は、双方向長短期記憶(LSTM)と1次元畳み込みニューラルネットワークを組み合わせて、評価セットで98%の精度を達成した。半脱離した二元星を省略すると、100%の精度で分類できる。

関連論文リスト

Co-training for Low Resource Scientific Natural Language Inference [65.37685198688538]
遠隔教師付きラベルに分類器のトレーニング力学に基づいて重みを割り当てる新しいコトレーニング手法を提案する。予測された信頼度に対する任意のしきい値に基づいてサンプルをフィルタリングするのではなく、重要重みを割り当てることにより、自動ラベル付きデータの使用を最大化する。提案手法は、遠隔監視ベースラインに対するマクロF1の1.5%の改善と、他の強力なSSLベースラインよりも大幅に改善されている。
論文参考訳（メタデータ） (2024-06-20T18:35:47Z)
Deep Learning and LLM-based Methods Applied to Stellar Lightcurve Classification [7.592813175419603]
本稿では,変光度曲線の自動分類のための深層学習・大規模言語モデル(LLM)の総合評価を行う。特にCepheids, RR Lyrae, and eclipsing binariesに重点を置いて, 観測周期と位相分布が分類精度に及ぼす影響について検討した。 LLM, マルチモーダル大言語モデル(MLLM), 大規模音声言語モデル(LALM)の3モデルからなる革新的なシリーズであるStarWhisper LightCurve (LC)を発表した。
論文参考訳（メタデータ） (2024-04-16T17:35:25Z)
Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-13T04:16:40Z)
Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。異なるタイプのクラスオーバーラップしたデータセットに適用することができる。初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文参考訳（メタデータ） (2022-11-01T18:07:21Z)
Improving Astronomical Time-series Classification via Data Augmentation with Generative Adversarial Networks [1.2891210250935146]
本稿では,GAN(Generative Adrial Networks)に基づくデータ拡張手法を提案する。変動星の分類精度は、合成データによるトレーニングや実データによるテストで著しく向上する。
論文参考訳（メタデータ） (2022-05-13T16:39:54Z)
Detection of extragalactic Ultra-Compact Dwarfs and Globular Clusters using Explainable AI techniques [1.3764085113103222]
銀河を取り巻く超コンパクト小星(UCD)や球状星団(GC)のような小さな恒星系は、これらの銀河を形成する融合現象のトレーサーとして知られている。ここでは、Fornax銀河団のマルチ波長イメージングデータを用いて、これらの物体を前景の星や背景銀河から6個のフィルターで分離する機械学習モデルを訓練する。精度と93%のリコールでUDD/GCを識別でき、各特徴量%(色と角の大きさ)の重要性を反映した関連性を提供します。
論文参考訳（メタデータ） (2022-01-05T13:37:55Z)
Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文参考訳（メタデータ） (2021-04-01T13:55:21Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)
StarcNet: Machine Learning for Star Cluster Identification [21.804465402347027]
StarcNetは畳み込みニューラルネットワーク(CNN)であり、LEGUS銀河の画像における星団分類の精度は68.6%(4クラス)/86.0%(2クラス:クラスター/クラスター)で、人間の専門家のパフォーマンスとほぼ一致する。我々は、トレーニングセットに含まれない銀河に事前訓練されたcnnモデルを適用することで、starcnetの性能をテストする。恒星団の光度、色、物理的特性は、ヒトおよびml分類標本に類似している。
論文参考訳（メタデータ） (2020-12-16T23:58:01Z)
Exoplanet Detection using Machine Learning [0.0]
トランジット法を用いて外惑星を検出する機械学習に基づく新しい手法を提案する。ケプラーのデータでは、AUCが0.948である惑星を予測できるため、真の惑星信号の94.8%が非惑星信号よりも高い位置にある。トランジット系外惑星探査衛星(TESS)のデータでは、我々の方法では光曲線を0.98の精度で分類することができ、0.82のリコールで惑星を0.63の精度で識別できることがわかった。
論文参考訳（メタデータ） (2020-11-28T14:06:39Z)
Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文参考訳（メタデータ） (2020-07-27T17:03:50Z)

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。