論文の概要: Developing a Machine Learning Algorithm-Based Classification Models for
the Detection of High-Energy Gamma Particles
- arxiv url: http://arxiv.org/abs/2111.09496v1
- Date: Thu, 18 Nov 2021 03:12:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 14:19:40.951785
- Title: Developing a Machine Learning Algorithm-Based Classification Models for
the Detection of High-Energy Gamma Particles
- Title（参考訳）: 高エネルギーガンマ粒子検出のための機械学習アルゴリズムに基づく分類モデルの開発
- Authors: Emmanuel Dadzie, Kelvin Kwakye
- Abstract要約: チェレンコフガンマ望遠鏡は高エネルギーガンマ線を観測し、ガンマが発する電磁シャワーの中で発生する荷電粒子から放射される放射を利用する。
パラメータ値の再構成は、CORSIKAと呼ばれるモンテカルロシミュレーションアルゴリズムを用いて達成された。
本研究では,複数の機械学習に基づく分類モデルを開発し,その性能評価を行った。
- 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: Cherenkov gamma telescope observes high energy gamma rays, taking advantage
of the radiation emitted by charged particles produced inside the
electromagnetic showers initiated by the gammas, and developing in the
atmosphere. The detector records and allows for the reconstruction of the
shower parameters. The reconstruction of the parameter values was achieved
using a Monte Carlo simulation algorithm called CORSIKA. The present study
developed multiple machine-learning-based classification models and evaluated
their performance. Different data transformation and feature extraction
techniques were applied to the dataset to assess the impact on two separate
performance metrics. The results of the proposed application reveal that the
different data transformations did not significantly impact (p = 0.3165) the
performance of the models. A pairwise comparison indicates that the performance
from each transformed data was not significantly different from the performance
of the raw data. Additionally, the SVM algorithm produced the highest
performance score on the standardized dataset. In conclusion, this study
suggests that high-energy gamma particles can be predicted with sufficient
accuracy using SVM on a standardized dataset than the other algorithms with the
various data transformations.
- Abstract（参考訳）: チェレンコフガンマ望遠鏡は高エネルギーガンマ線を観測し、ガンマ線が発する電磁シャワーの中で発生する荷電粒子から放出される放射を利用して大気中に発達する。
検出器はシャワーパラメータの記録と再構成を可能にする。
パラメータ値の再構成は、CORSIKAと呼ばれるモンテカルロシミュレーションアルゴリズムを用いて達成された。
本研究では,複数の機械学習に基づく分類モデルを開発し,その性能評価を行った。
異なるデータ変換と特徴抽出技術がデータセットに適用され、2つの別々のパフォーマンスメトリクスへの影響を評価した。
提案手法の結果,異なるデータ変換はモデルの性能に大きな影響を与えなかった(p = 0.3165)。
対比較の結果,各変換データの性能は生データの性能と大きく異なるものではないことがわかった。
さらに、SVMアルゴリズムは標準化データセット上で最高のパフォーマンススコアを生成した。
本研究は,様々なデータ変換を行う他のアルゴリズムと比較して,標準データセット上でsvmを用いて十分な精度で高エネルギーガンマ粒子を予測可能であることを示唆する。
関連論文リスト
- A Comprehensive Evaluation of Generative Models in Calorimeter Shower Simulation [0.0]
ファストシミュレーション」は計算ボトルネックを克服する上で重要な役割を担っている。
深部生成モデルの使用により、検出器シミュレーションのための代理モデルへの関心が高まった。
評価の結果,CaloDiffusionおよびCaloScore生成モデルが最も正確な粒子シャワーシミュレーションを行った。
論文 参考訳（メタデータ） (2024-06-08T11:17:28Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Machine Learning Based Missing Values Imputation in Categorical Datasets [2.5611256859404983]
この研究では、分類データセットのギャップを埋めるための機械学習アルゴリズムの使用について検討した。
Error Correction Output Codesフレームワークを使用して構築されたアンサンブルモデルに重点が置かれた。
大量のラベル付きデータの要求を含む、これらの奨励的な結果にもかかわらず、データ計算の欠如に対する深い学習には障害がある。
論文 参考訳（メタデータ） (2023-06-10T03:29:48Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳（メタデータ） (2023-06-05T21:08:34Z) - Noise-cleaning the precision matrix of fMRI time series [2.6399022396257794]
いくつかの標準ノイズクリーニングアルゴリズムを考察し、2種類のデータセットと比較する。
各アルゴリズムの信頼性は、テストセット確率と、合成データの場合、真の精度行列からの距離で評価される。
パラメータの1つをクロスバリデーションにより最適化する最適回転不変量推定器の変種を提案する。
論文 参考訳（メタデータ） (2023-02-06T17:32:17Z) - Spatially-resolved Thermometry from Line-of-Sight Emission Spectroscopy
via Machine Learning [2.449329947677678]
本研究の目的は, 温度分布測定におけるデータ駆動モデルの利用について検討することである。
i)特徴工学と古典的機械学習アルゴリズム、(ii)エンドツーエンド畳み込みニューラルネットワーク(CNN)の2つのカテゴリが分析されている。
本手法は, ガス混合ガス中の種濃度分布が未知であっても, 低分解能スペクトルから不均一な温度分布を測定することができる。
論文 参考訳（メタデータ） (2022-12-15T13:46:15Z) - The Preliminary Results on Analysis of TAIGA-IACT Images Using
Convolutional Neural Networks [68.8204255655161]
本研究の目的は,AIGA-IACTに設定された課題を解決するための機械学習アプリケーションの可能性を検討することである。
The method of Convolutional Neural Networks (CNN) was applied to process and analysis Monte-Carlo eventssimulated with CORSIKA。
論文 参考訳（メタデータ） (2021-12-19T15:17:20Z) - Learning to discover: expressive Gaussian mixture models for
multi-dimensional simulation and parameter inference in the physical sciences [0.0]
複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。
このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。
実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
論文 参考訳（メタデータ） (2021-08-25T21:27:29Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-06T04:28:19Z) - DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。
本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。
実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文 参考訳（メタデータ） (2020-10-02T13:59:05Z) - Machine Learning Pipeline for Pulsar Star Dataset [58.720142291102135]
この作業は、最も一般的な機械学習(ML)アルゴリズムをまとめるものだ。
目的は、不均衡なデータの集合から得られた結果のレベルの比較を行うことである。
論文 参考訳（メタデータ） (2020-05-03T23:35:44Z)
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。