論文の概要: Fink: early supernovae Ia classification using active learning
- arxiv url: http://arxiv.org/abs/2111.11438v1
- Date: Mon, 22 Nov 2021 11:38:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 10:15:47.877039
- Title: Fink: early supernovae Ia classification using active learning
- Title(参考訳): Fink: アクティブラーニングを用いた早期超新星Ia分類
- Authors: Marco Leoni, Emille E. O. Ishida, Julien Peloton and Anais M\"oller
- Abstract要約: 本稿は、現在のZwicky Transient Facility(ZTF)公開アラートデータストリームにおいて、このような戦略の実装の可能性を示す。
本研究は,天文学的分類器のための最適なトレーニングサンプルの構築を導くための能動的学習戦略の有効性を検証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We describe how the Fink broker early supernova Ia classifier optimizes its
ML classifications by employing an active learning (AL) strategy. We
demonstrate the feasibility of implementation of such strategies in the current
Zwicky Transient Facility (ZTF) public alert data stream. We compare the
performance of two AL strategies: uncertainty sampling and random sampling. Our
pipeline consists of 3 stages: feature extraction, classification and learning
strategy. Starting from an initial sample of 10 alerts (5 SN Ia and 5 non-Ia),
we let the algorithm identify which alert should be added to the training
sample. The system is allowed to evolve through 300 iterations. Our data set
consists of 23 840 alerts from the ZTF with confirmed classification via
cross-match with SIMBAD database and the Transient name server (TNS), 1 600 of
which were SNe Ia (1 021 unique objects). The data configuration, after the
learning cycle was completed, consists of 310 alerts for training and 23 530
for testing. Averaging over 100 realizations, the classifier achieved 89%
purity and 54% efficiency. From 01/November/2020 to 31/October/2021 Fink has
applied its early supernova Ia module to the ZTF stream and communicated
promising SN Ia candidates to the TNS. From the 535 spectroscopically
classified Fink candidates, 459 (86%) were proven to be SNe Ia. Our results
confirm the effectiveness of active learning strategies for guiding the
construction of optimal training samples for astronomical classifiers. It
demonstrates in real data that the performance of learning algorithms can be
highly improved without the need of extra computational resources or
overwhelmingly large training samples. This is, to our knowledge, the first
application of AL to real alerts data.
- Abstract(参考訳): Finkブローカーの早期超新星Ia分類器は,アクティブラーニング戦略(AL)を用いてML分類を最適化する方法について述べる。
本稿は、現在のZwicky Transient Facility(ZTF)公開アラートデータストリームにおいて、このような戦略の実装の可能性を示す。
不確実性サンプリングとランダムサンプリングの2つのal戦略の性能を比較した。
パイプラインは,特徴抽出,分類,学習戦略の3段階で構成されている。
10のアラートの最初のサンプル(5つのSN Iaと5つの非Ia)から始めて、トレーニングサンプルにどのアラートを追加するべきかをアルゴリズムに特定します。
システムは300回のイテレーションで進化することができる。
我々のデータセットは、SIMBADデータベースとTransient Name Server (TNS)とのクロスマッチングによって、ZTFから23の840のアラートで構成されており、1600はSNe Ia (021のユニークなオブジェクト)である。
学習サイクルが完了すると、データ構成はトレーニング用の310のアラートとテスト用の23の530で構成される。
平均で100以上の実現を達成し、89%の純度と54%の効率を達成した。
01/2020年11月から2021年10月31日まで、フィンクは初期の超新星IaモジュールをZTFストリームに適用し、将来有望なSN Ia候補をTNSに通信した。
535の分光学的に分類されたフィンク候補から、459 (86%) がsne iaであることが証明された。
本報告では,天文分類器の最適トレーニングサンプル作成のためのアクティブラーニング戦略の有効性を確認した。
実データでは、余分な計算リソースや圧倒的に大きなトレーニングサンプルを必要とせずに、学習アルゴリズムのパフォーマンスを高度に改善できることが示されている。
これは私たちの知る限り、ALの実際のアラートデータへの最初の応用です。
関連論文リスト
- Class Balance Matters to Active Class-Incremental Learning [61.11786214164405]
まず、大規模な未ラベルデータのプールから始めて、インクリメンタルな学習のための最も情報に富んだサンプルを注釈付けします。
そこで我々は,クラスバランスと情報提供性を両立させるため,クラスバランス選択(CBS)戦略を提案する。
我々のCBSは、プリトレーニング済みモデルとプロンプトチューニング技術に基づいて、これらのCILメソッドに接続し、再生することができる。
論文 参考訳(メタデータ) (2024-12-09T16:37:27Z) - DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。
このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。
LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
論文 参考訳(メタデータ) (2023-10-02T17:52:24Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳(メタデータ) (2023-03-24T11:12:37Z) - Segment-level Metric Learning for Few-shot Bioacoustic Event Detection [56.59107110017436]
本稿では,モデル最適化時の肯定的事象と否定的事象の両方を利用するセグメントレベルの数ショット学習フレームワークを提案する。
本システムでは,DCASE2022チャレンジタスク5(DCASE2022-T5)のF値62.73の検証を行い,ベースラインプロトタイプネットワーク34.02の性能を大きなマージンで向上させる。
論文 参考訳(メタデータ) (2022-07-15T22:41:30Z) - CNLL: A Semi-supervised Approach For Continual Noisy Label Learning [12.341250124228859]
コスト効率と精度の両立したオンラインデータストリームを効果的に浄化する簡単な浄化手法を提案する。
精製後、我々は、利用可能なすべてのサンプルを確実に参加させる半教師付きで微調整を行う。
従来のSOTA法よりも20%のノイズでCIFAR10の24.8%の性能向上を実現した。
論文 参考訳(メタデータ) (2022-04-21T05:01:10Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳(メタデータ) (2021-10-22T01:55:01Z) - Few-Shot Incremental Learning with Continually Evolved Classifiers [46.278573301326276]
Few-shot Class-Incremental Learning(FSCIL)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムの設計を目指している。
難点は、新しいクラスからの限られたデータが、重大な過度な問題を引き起こすだけでなく、破滅的な忘れの問題も悪化させることにある。
我々は,適応のための分類器間のコンテキスト情報を伝達するグラフモデルを用いた連続進化型cif(cec)を提案する。
論文 参考訳(メタデータ) (2021-04-07T10:54:51Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳(メタデータ) (2020-10-01T15:59:31Z) - Alert Classification for the ALeRCE Broker System: The Real-time Stamp
Classifier [0.0]
我々は、ALeRCEブローカーに対して、天文イベントのリアルタイムスタンプを提示する。
我々の研究は、次世代の大型望遠鏡による迅速な警報分類に向けた重要なマイルストーンである。
論文 参考訳(メタデータ) (2020-08-07T18:00:01Z) - MANTRA: A Machine Learning reference lightcurve dataset for astronomical
transient event recognition [2.208166456405677]
カタリーナ・リアルタイム・リアルタイム・トランジェント・サーベイから構築された4869トランジェントおよび71207非トランジェント・オブジェクト・ライトカーブのデータセットにパブリックアクセスする。
データセットに含まれるいくつかのクラスは、超新星、白亜紀変光星、活動銀河核、高い固有運動星、ブレザー、フレアである。
二進的/非過渡的(transient/non-transient)と八進的(8-class)の2つの分類課題における定量的性能を評価する。
論文 参考訳(メタデータ) (2020-06-23T17:06:49Z)
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。