論文の概要: Systematic biases when using deep neural networks for annotating large
catalogs of astronomical images
- arxiv url: http://arxiv.org/abs/2201.03131v1
- Date: Mon, 10 Jan 2022 01:51:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-11 16:12:39.235433
- Title: Systematic biases when using deep neural networks for annotating large
catalogs of astronomical images
- Title(参考訳): 深層ニューラルネットワークを用いた天体画像の大規模カタログ作成における系統的バイアス
- Authors: Sanchari Dhar, Lior Shamir
- Abstract要約: 楕円銀河と渦巻銀河の基本的な分類において、トレーニングに使用される銀河の空の位置がアルゴリズムの挙動に影響を与えることを示す。
このバイアスは、基本的な銀河形態の分布において、宇宙スケールの異方性の形で現れる。
- 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: Deep convolutional neural networks (DCNNs) have become the most common
solution for automatic image annotation due to their non-parametric nature,
good performance, and their accessibility through libraries such as TensorFlow.
Among other fields, DCNNs are also a common approach to the annotation of large
astronomical image databases acquired by digital sky surveys. One of the main
downsides of DCNNs is the complex non-intuitive rules that make DCNNs act as a
``black box", providing annotations in a manner that is unclear to the user.
Therefore, the user is often not able to know what information is used by the
DCNNs for the classification. Here we demonstrate that the training of a DCNN
is sensitive to the context of the training data such as the location of the
objects in the sky. We show that for basic classification of elliptical and
spiral galaxies, the sky location of the galaxies used for training affects the
behavior of the algorithm, and leads to a small but consistent and
statistically significant bias. That bias exhibits itself in the form of
cosmological-scale anisotropy in the distribution of basic galaxy morphology.
Therefore, while DCNNs are powerful tools for annotating images of extended
sources, the construction of training sets for galaxy morphology should take
into consideration more aspects than the visual appearance of the object. In
any case, catalogs created with deep neural networks that exhibit signs of
cosmological anisotropy should be interpreted with the possibility of
consistent bias.
- Abstract(参考訳): deep convolutional neural networks(dcnn)は、非パラメトリック性、優れたパフォーマンス、tensorflowなどのライブラリによるアクセシビリティなどの理由から、自動画像アノテーションの最も一般的なソリューションとなっている。
その他の分野において、DCNNはデジタルスカイサーベイによって取得された大規模な天体画像データベースのアノテーションに対する一般的なアプローチである。
DCNNの主な欠点の1つは、DCNNが 'black box' として振る舞う複雑な非直観的なルールであり、ユーザにとって不明瞭な方法でアノテーションを提供する。
そのため、DCNNがどの情報を分類に使っているかを知ることができないことが多い。
ここでは,dcnnの訓練が,空に存在する物体の位置などの訓練データの文脈に敏感であることを実証する。
楕円銀河と渦巻銀河の基本的な分類において、トレーニングに使用される銀河の空の位置がアルゴリズムの挙動に影響を与え、小さいが、統計的に有意なバイアスをもたらすことを示す。
このバイアスは、基本的な銀河形態の分布における宇宙スケールの異方性という形で表される。
したがって、DCNNは拡張源の画像に注釈をつける強力なツールであるが、銀河形態学のトレーニングセットの構築は、物体の視覚的外観よりも多くの側面を考慮する必要がある。
いずれにせよ、宇宙論的異方性の兆候を示すディープニューラルネットワークで作成されたカタログは、一貫したバイアスの可能性で解釈されるべきである。
関連論文リスト
- Self-supervised visual learning for analyzing firearms trafficking
activities on the Web [6.728794938150435]
RGB画像からの視覚銃の自動分類は、公共空間のセキュリティ、情報収集、法執行機関の調査に応用するための重要な現実世界の課題である。
これは、オープンソースのインテリジェンスからビッグデータを分析することによって、犯罪者の銃身売買ネットワークを識別しようとするシステムの重要なコンポーネントとして機能する。
ビジュアルトランスフォーマー(ViT)ニューラルアーキテクチャも、自己監視学習(SSL)アプローチも、この重要なタスクでは評価されていない。
論文 参考訳(メタデータ) (2023-10-12T01:47:55Z) - Label Deconvolution for Node Representation Learning on Large-scale
Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。
実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文 参考訳(メタデータ) (2023-09-26T13:09:43Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Learning Ability of Interpolating Deep Convolutional Neural Networks [28.437011792990347]
我々は,深層ニューラルネットワーク,深層畳み込みニューラルネットワーク(DCNN)の重要なファミリーの学習能力について検討する。
非補間DCNNに適切に定義された層を追加することで、非補間DCNNの良好な学習率を維持する補間DCNNが得られることを示す。
我々の研究は、過度に適合したDCNNの一般化の理論的検証を提供する。
論文 参考訳(メタデータ) (2022-10-25T17:22:31Z) - Invariant Content Synergistic Learning for Domain Generalization of
Medical Image Segmentation [13.708239594165061]
ディープ畳み込みニューラルネットワーク(DCNN)は、新しい分布とテストデータに直面すると、その堅牢性を維持することができないことが多い。
本稿では,DCNNの一般化能力を向上させるため,ICSL (Invariant Content Synergistic Learning) という手法を提案する。
論文 参考訳(メタデータ) (2022-05-05T08:13:17Z) - Explainability Tools Enabling Deep Learning in Future In-Situ Real-Time
Planetary Explorations [58.720142291102135]
ディープラーニング(DL)は、効果的な機械学習とコンピュータビジョン技術であることが証明されている。
ディープニューラルネットワーク(DNN)アーキテクチャのほとんどは複雑すぎて'ブラックボックス'と見なされている。
本稿では,各ニューロンの出力クラスへの属性を記述するために,積分勾配を用いた。
DNNのブラックボックスを開くための説明可能性ツールセット(ET)を提供するので、分類へのニューロンの個々の貢献をランク付けし視覚化することができる。
論文 参考訳(メタデータ) (2022-01-15T07:10:00Z) - SAR Image Classification Based on Spiking Neural Network through
Spike-Time Dependent Plasticity and Gradient Descent [7.106664778883502]
スパイキングニューラルネットワーク(SNN)は、脳のような知能のコアコンポーネントの1つである。
本稿では、教師なしおよび教師なし学習SNNに基づいて、完全なSAR画像を構築する。
論文 参考訳(メタデータ) (2021-06-15T09:36:04Z) - Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。
本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。
私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
論文 参考訳(メタデータ) (2020-12-10T22:30:25Z) - A Practical Tutorial on Graph Neural Networks [49.919443059032226]
グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。
このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
論文 参考訳(メタデータ) (2020-10-11T12:36:17Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-02T15:38:44Z) - Deep Convolutional Neural Networks with Spatial Regularization, Volume
and Star-shape Priori for Image Segmentation [6.282154392910916]
CNNの既存のネットワークアーキテクチャにおける分類機能は単純であり、重要な空間情報を扱う能力に欠ける。
我々は,多くの空間的先行情報をDCNNに簡単に統合できる,新しいソフト・スレッショルド・ダイナミクス(STD)フレームワークを提案する。
提案手法は一般的な数学的枠組みであり,どの意味的セグメンテーションDCNNにも適用可能である。
論文 参考訳(メタデータ) (2020-02-10T18:03:44Z)
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。