論文の概要: DeepAdversaries: Examining the Robustness of Deep Learning Models for
Galaxy Morphology Classification
- arxiv url: http://arxiv.org/abs/2112.14299v1
- Date: Tue, 28 Dec 2021 21:29:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 14:38:31.876091
- Title: DeepAdversaries: Examining the Robustness of Deep Learning Models for
Galaxy Morphology Classification
- Title（参考訳）: DeepAdversaries: 銀河形態分類のためのディープラーニングモデルのロバスト性の検討
- Authors: Aleksandra \'Ciprijanovi\'c, Diana Kafkes, Gregory Snyder, F. Javier
S\'anchez, Gabriel Nathan Perdue, Kevin Pedro, Brian Nord, Sandeep Madireddy,
Stefan M. Wild
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 47.38422424155742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data processing and analysis pipelines in cosmological survey experiments
introduce data perturbations that can significantly degrade the performance of
deep learning-based models. Given the increased adoption of supervised deep
learning methods for processing and analysis of cosmological survey data, the
assessment of data perturbation effects and the development of methods that
increase model robustness are increasingly important. In the context of
morphological classification of galaxies, we study the effects of perturbations
in imaging data. In particular, we examine the consequences of using neural
networks when training on baseline data and testing on perturbed data. We
consider perturbations associated with two primary sources: 1) increased
observational noise as represented by higher levels of Poisson noise and 2)
data processing noise incurred by steps such as image compression or telescope
errors as represented by one-pixel adversarial attacks. We also test the
efficacy of domain adaptation techniques in mitigating the perturbation-driven
errors. We use classification accuracy, latent space visualizations, and latent
space distance to assess model robustness. Without domain adaptation, we find
that processing pixel-level errors easily flip the classification into an
incorrect class and that higher observational noise makes the model trained on
low-noise data unable to classify galaxy morphologies. On the other hand, we
show that training with domain adaptation improves model robustness and
mitigates the effects of these perturbations, improving the classification
accuracy by 23% on data with higher observational noise. Domain adaptation also
increases by a factor of ~2.3 the latent space distance between the baseline
and the incorrectly classified one-pixel perturbed image, making the model more
robust to inadvertent perturbations.
- Abstract（参考訳）: 宇宙調査実験におけるデータ処理と分析パイプラインは、深層学習モデルの性能を著しく低下させるデータ摂動を導入している。
宇宙調査データの処理・分析における教師付き深層学習手法の採用が進み,データ摂動効果の評価やモデルロバスト性を高める手法の開発がますます重要になっている。
銀河の形態分類の文脈において,画像データにおける摂動の影響について検討する。
特に,ベースラインデータによるトレーニングや摂動データによるテストにおいて,ニューラルネットワークがもたらす影響について検討する。
我々は2つの主要な源に付随する摂動を考える。
1)ポアソンノイズの高レベル化と観測ノイズの増加
2) 画像圧縮や望遠鏡誤差などのステップで発生するデータ処理ノイズは, 1画素対逆攻撃で表される。
また、摂動駆動誤差を軽減するための領域適応手法の有効性を検証した。
モデルロバスト性の評価には,分類精度,潜時空間可視化,潜時空間距離を用いる。
領域適応がなければ、処理ピクセルレベルの誤差は容易に分類を誤ったクラスに反転させ、高い観測ノイズにより、低ノイズデータに基づいて訓練されたモデルが銀河形態を分類できないことが分かる。
一方,領域適応によるトレーニングはモデル堅牢性を向上し,これらの摂動の影響を緩和し,観測ノイズの高いデータに対する分類精度を23%向上させることを示した。
領域適応はまた、ベースラインと不正確に分類された1ピクセルの摂動画像との間の潜在空間距離を2.3倍に増やし、不注意摂動に対してより堅牢なモデルとなる。
関連論文リスト
- Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network [4.8748194765816955]
本研究では、自己エンコーダに基づくデータ拡張技術と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。
提案手法は,ランダムフォレスト,SVM,ロジスティック回帰をそれぞれ19%,21%,27%以上,98.56%の分類精度を達成している。
論文 参考訳（メタデータ） (2024-11-17T10:19:54Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。
因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。
また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
論文 参考訳（メタデータ） (2022-03-29T13:07:53Z) - Robustness of deep learning algorithms in astronomy -- galaxy morphology
studies [0.0]
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。
論文 参考訳（メタデータ） (2021-11-01T14:12:15Z) - Extensive Studies of the Neutron Star Equation of State from the Deep
Learning Inference with the Observational Data Augmentation [0.0]
質量と半径の実際の観測データを用いて、状態の中性子星方程式(EoS)の深層学習推論について議論する。
観測に不確実性を組み込む深層学習法では,観測の不確実性に対応する雑音変動を伴うトレーニングデータを増強する。
このデータ拡張は,ニューラルネットワークアーキテクチャをチューニングすることなく,過剰フィッティングを回避するための有用な手法である可能性が示唆された。
論文 参考訳（メタデータ） (2021-01-20T14:27:12Z) - 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)
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。