論文の概要: Robustness of deep learning algorithms in astronomy -- galaxy morphology studies

• arxiv url: http://arxiv.org/abs/2111.00961v2
• Date: Tue, 2 Nov 2021 14:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-03 11:23:15.924810
• Title: Robustness of deep learning algorithms in astronomy -- galaxy morphology studies
• Title（参考訳）: 天文学における深層学習アルゴリズムのロバスト性-銀河形態学的研究
• Authors: A. \'Ciprijanovi\'c, D. Kafkes, G. N. Perdue, K. Pedro, G. Snyder, F. J. S\'anchez, S. Madireddy, S. M. Wild, B. Nord
• Abstract要約: LSSTモックデータの異なる形態の銀河を識別するために訓練されたResNet18の性能に及ぼす露光時間からの観測ノイズの影響について検討した。 また、このような自然な攻撃が発生した場合に、ドメイン適応技術がモデルロバスト性を改善する方法についても検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models are being increasingly adopted in wide array of scientific domains, especially to handle high-dimensionality and volume of the scientific data. However, these models tend to be brittle due to their complexity and overparametrization, especially to the inadvertent adversarial perturbations that can appear due to common image processing such as compression or blurring that are often seen with real scientific data. It is crucial to understand this brittleness and develop models robust to these adversarial perturbations. To this end, we study the effect of observational noise from the exposure time, as well as the worst case scenario of a one-pixel attack as a proxy for compression or telescope errors on performance of ResNet18 trained to distinguish between galaxies of different morphologies in LSST mock data. We also explore how domain adaptation techniques can help improve model robustness in case of this type of naturally occurring attacks and help scientists build more trustworthy and stable models.
• Abstract（参考訳）: ディープラーニングモデルは、特に科学データの高次元とボリュームを扱うために、幅広い科学領域で広く採用されている。 しかし、これらのモデルは複雑さと過小パラメータ化のために不安定になりがちであり、特に、実際の科学データでよく見られる圧縮やぼやけといった一般的な画像処理によって現れる不注意な逆向きの摂動が原因である。 この不安定さを理解し、これらの敵対的摂動に対して堅牢なモデルを開発することが重要である。 本研究では、露光時間からの観測ノイズの影響と、LSSTモックデータにおける異なる形態の銀河の識別を訓練したResNet18の性能に対する圧縮や望遠鏡誤差のプロキシとしての1ピクセル攻撃の最悪のシナリオについて検討する。 我々はまた、このタイプの自然発生攻撃の場合に、ドメイン適応技術がモデルのロバスト性を改善するのにどのように役立つかを検討し、科学者がより信頼できる安定したモデルを構築するのを助ける。

関連論文リスト

• Discovering interpretable models of scientific image data with deep learning [0.0]
  表現学習、疎い深層ニューラルネットワークトレーニング、シンボリックレグレッションを実装している。 顕微鏡データにおける細胞状態の分類に関するよく研究されたテスト問題を用いて,バイオイメージングの分野との関連性を示す。 生物現象を科学的に説明するための解釈可能なモデルの有用性について検討する。
  論文  参考訳（メタデータ） (2024-02-05T15:45:55Z)
• Quantifying the robustness of deep multispectral segmentation models against natural perturbations and data poisoning [0.0]
  対向攻撃と自然摂動を受けるマルチスペクトル(RGBおよび近赤外線)画像分割モデルの性能とロバスト性を特徴付ける。 RGBモデルとマルチスペクトルモデルの両方が、入力アーキテクチャや融合アーキテクチャに関わらず、データ中毒攻撃に対して脆弱であることがわかった。
  論文  参考訳（メタデータ） (2023-05-18T23:43:33Z)
• Generating artificial digital image correlation data using physics-guided adversarial networks [2.07180164747172]
  デジタル画像相関 (DIC) は, き裂標本の機械的実験を監視し評価するための貴重なツールとなっている。 実補間DIC変位に類似したクラック試験片の大量の人工変位データを直接生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T12:52:40Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• DeepAdversaries: Examining the Robustness of Deep Learning Models for Galaxy Morphology Classification [47.38422424155742]
  銀河の形態分類では、画像データにおける摂動の影響について検討する。 ドメイン適応によるトレーニングはモデルロバスト性を向上し、これらの摂動の影響を緩和することを示す。
  論文  参考訳（メタデータ） (2021-12-28T21:29:02Z)
• Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
  本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。 本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:32Z)
• Stereopagnosia: Fooling Stereo Networks with Adversarial Perturbations [71.00754846434744]
  知覚不能な加法的摂動は,差分マップを著しく変更できることを示す。 敵データ拡張に使用すると、我々の摂動はより堅牢なトレーニングされたモデルをもたらすことを示す。
  論文  参考訳（メタデータ） (2020-09-21T19:20:09Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)
• Model-Based Robust Deep Learning: Generalizing to Natural, Out-of-Distribution Data [104.69689574851724]
  本稿では,摂動に基づく逆方向の強靭性からモデルに基づく頑健な深層学習へのパラダイムシフトを提案する。 我々の目標は、深層ニューラルネットワークを訓練し、データの自然な変動に対して堅牢にするための一般的なトレーニングアルゴリズムを提供することです。
  論文  参考訳（メタデータ） (2020-05-20T13:46:31Z)

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。