論文の概要: Unsupervised classification of simulated magnetospheric regions
- arxiv url: http://arxiv.org/abs/2109.04916v1
- Date: Fri, 10 Sep 2021 14:57:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-13 16:33:35.063038
- Title: Unsupervised classification of simulated magnetospheric regions
- Title（参考訳）: 模擬磁気圏領域の教師なし分類
- Authors: Maria Elena Innocenti, Jorge Amaya, Joachim Raeder, Romain Dupuis,
Banafsheh Ferdousi, and Giovanni Lapenta
- Abstract要約: 磁気圏ミッションにおいて、バーストモードのデータサンプリングは、科学的または運用上の関心のあるプロセスの存在下でトリガーされなければならない。
本研究では、関心の磁気圏過程の自動識別のための多段階法の第一段階を構成することができる磁圏領域の教師なし分類法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In magnetospheric missions, burst mode data sampling should be triggered in
the presence of processes of scientific or operational interest. We present an
unsupervised classification method for magnetospheric regions, that could
constitute the first-step of a multi-step method for the automatic
identification of magnetospheric processes of interest. Our method is based on
Self Organizing Maps (SOMs), and we test it preliminarily on data points from
global magnetospheric simulations obtained with the OpenGGCM-CTIM-RCM code. The
dimensionality of the data is reduced with Principal Component Analysis before
classification. The classification relies exclusively on local plasma
properties at the selected data points, without information on their
neighborhood or on their temporal evolution. We classify the SOM nodes into an
automatically selected number of classes, and we obtain clusters that map to
well defined magnetospheric regions. We validate our classification results by
plotting the classified data in the simulated space and by comparing with
K-means classification. For the sake of result interpretability, we examine the
SOM feature maps (magnetospheric variables are called features in the context
of classification), and we use them to unlock information on the clusters. We
repeat the classification experiments using different sets of features, we
quantitatively compare different classification results, and we obtain insights
on which magnetospheric variables make more effective features for unsupervised
classification.
- Abstract（参考訳）: 磁気圏のミッションでは、バーストモードのデータサンプリングは科学的または運用上の関心のあるプロセスが存在する場合にトリガーされる。
本研究では、関心の磁気圏過程の自動識別のための多段階法の第一段階を構成することができる磁圏領域の教師なし分類法を提案する。
本手法は自己組織化マップ(SOM)に基づいており,OpenGCM-CTIM-RCM符号を用いて得られた大域磁気圏シミュレーションのデータ点を予備的に検証する。
分類前に主成分分析によりデータの寸法を減少させる。
この分類は、選択されたデータポイントにおける局所プラズマ特性にのみ依存し、その近傍や時間的進化に関する情報を含まない。
我々はSOMノードを自動選択されたクラスに分類し、適切に定義された磁気圏領域にマップするクラスタを得る。
シミュレーション空間に分類データをプロットし,k-means分類との比較により,分類結果の検証を行った。
結果の解釈性のために,SOM特徴写像(磁気圏変数は分類の文脈で特徴と呼ばれる)を検証し,それらを用いてクラスタの情報をアンロックする。
異なる特徴を用いた分類実験を繰り返し、異なる分類結果を定量的に比較し、非教師なし分類において磁気圏変数がより効果的な特徴を与える洞察を得る。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。
本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文 参考訳（メタデータ） (2023-06-01T17:36:13Z) - Unsupervised classification of fully kinetic simulations of plasmoid
instability using Self-Organizing Maps (SOMs) [0.0]
自己組織マップに基づくクラスタリング手法をプラズド不安定性の完全運動論的シミュレーションに適用する。
プロセスの知識に対して、後続のクラスタをうまくマッピングする。
この手法は、シミュレーションと観測の両方から、データの分析に有望な選択肢として現れる。
論文 参考訳（メタデータ） (2023-04-26T11:47:05Z) - 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) - Domain Adaptive Nuclei Instance Segmentation and Classification via
Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。
我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2022-07-04T07:05:06Z) - Wrapped Classifier with Dummy Teacher for training physics-based
classifier at unlabeled radar data [0.0]
2021年にEKBおよびMAGW ISTP SB RASのコヒーレント散乱レーダから受信した信号の自動分類法について述べる。
この手法はラベルのないデータセットに基づいて訓練され、クラスタ化結果を用いた最適な物理に基づく分類の訓練に基づいている。
その結果、分類ネットワークを訓練し、利用可能なデータの物理的視点から、よく解釈可能な11のクラスを見出した。
論文 参考訳（メタデータ） (2022-01-15T02:13:58Z) - CIM: Class-Irrelevant Mapping for Few-Shot Classification [58.02773394658623]
FSC(Few-shot Classification)は近年のホットな問題の一つである。
事前訓練されたFEMを評価する方法は、FSCコミュニティにおいて最も重要な焦点である。
CIM(Class-Irrelevant Mapping)と呼ばれるシンプルなフレキシブルな手法を提案する。
論文 参考訳（メタデータ） (2021-09-07T03:26:24Z) - Clustering acoustic emission data streams with sequentially appearing
clusters using mixture models [6.166295570030645]
本研究では,未ラベル音響放射(AE)データの特異性を扱うクラスタリング手法を開発した。
GMMSEQと呼ばれるこの手法は、振動を受けるボルト構造における緩み現象を特徴づけるために実験的に検証されている。
オープン・アコースティック・エミッション・イニシアチブを開発する上で,本論文の研究を再現するためのデータセットとコードを作成する。
論文 参考訳（メタデータ） (2021-08-25T13:01:06Z) - Fuzziness-based Spatial-Spectral Class Discriminant Information
Preserving Active Learning for Hyperspectral Image Classification [0.456877715768796]
本研究では,局所的・グローバルな識別情報保存手法の内外におけるファジィに基づく空間スペクトルを提案する。
ベンチマークHSIデータセットによる実験結果から,FLG法が生成,極端学習機械,スパース多相ロジスティック回帰に与える影響が示された。
論文 参考訳（メタデータ） (2020-05-28T18:58:11Z) - Coarse-Grain Cluster Analysis of Tensors with Application to Climate
Biome Identification [0.27998963147546146]
離散ウェーブレット変換を用いて、粗粒化がクラスタリングテンソルデータに与える影響を分析する。
我々は特に、地球の気候システムのスケール効果のクラスター化について理解することに興味を持っている。
論文 参考訳（メタデータ） (2020-01-22T00:28:58Z)
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。