論文の概要: Photometric Redshift Estimation with Convolutional Neural Networks and Galaxy Images: A Case Study of Resolving Biases in Data-Driven Methods

• arxiv url: http://arxiv.org/abs/2202.09964v1
• Date: Mon, 21 Feb 2022 02:59:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 14:23:07.705564
• Title: Photometric Redshift Estimation with Convolutional Neural Networks and Galaxy Images: A Case Study of Resolving Biases in Data-Driven Methods
• Title（参考訳）: 畳み込みニューラルネットワークと銀河画像を用いた光赤方偏移推定:データ駆動手法における解離バイアスのケーススタディ
• Authors: Q. Lin, D. Fouchez, J. Pasquet, M. Treyer, R. Ait Ouahmed, S. Arnouts, and O. Ilbert
• Abstract要約: クラス依存残差とモード崩壊の2つの主要なバイアス形態を、測光赤方偏移を推定するケーススタディとして検討する。 CNNモデルに基づく2つのバイアスを解決するための一連のステップを提案する。 実験により,本手法はベンチマーク法よりもバイアス制御能力が優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning models have been increasingly exploited in astrophysical studies, yet such data-driven algorithms are prone to producing biased outputs detrimental for subsequent analyses. In this work, we investigate two major forms of biases, i.e., class-dependent residuals and mode collapse, in a case study of estimating photometric redshifts as a classification problem using Convolutional Neural Networks (CNNs) and galaxy images with spectroscopic redshifts. We focus on point estimates and propose a set of consecutive steps for resolving the two biases based on CNN models, involving representation learning with multi-channel outputs, balancing the training data and leveraging soft labels. The residuals can be viewed as a function of spectroscopic redshifts or photometric redshifts, and the biases with respect to these two definitions are incompatible and should be treated in a split way. We suggest that resolving biases in the spectroscopic space is a prerequisite for resolving biases in the photometric space. Experiments show that our methods possess a better capability in controlling biases compared to benchmark methods, and exhibit robustness under varying implementing and training conditions provided with high-quality data. Our methods have promises for future cosmological surveys that require a good constraint of biases, and may be applied to regression problems and other studies that make use of data-driven models. Nonetheless, the bias-variance trade-off and the demand on sufficient statistics suggest the need for developing better methodologies and optimizing data usage strategies.
• Abstract（参考訳）: 深層学習モデルは、天体物理学の研究でますます利用されてきたが、そのようなデータ駆動アルゴリズムは、その後の分析に有害なバイアス付き出力を生成する傾向にある。 本研究では,畳み込みニューラルネットワーク(cnns)と銀河画像を用いた分類問題としての光メトリック赤方偏移を推定するケーススタディにおいて,クラス依存残差とモード崩壊の2つの主要なバイアスについて検討した。 本研究では,多チャンネル出力を用いた表現学習,トレーニングデータのバランス,ソフトラベルの活用など,cnnモデルに基づく2つのバイアスを解決するための一連のステップを提案する。 残差は分光赤方偏移や測光赤方偏移の関数と見なすことができ、これら2つの定義に関するバイアスは相容れないものであり、分割して扱うべきである。 分光空間におけるバイアスの解消は、測光空間におけるバイアスの解消の前提条件であることが示唆される。 実験の結果,提案手法はベンチマーク法よりもバイアス制御能力が優れており,高品質なデータを備えた各種実装および訓練条件下での堅牢性を示すことがわかった。 我々の手法は、バイアスの適切な制約を必要とする将来の宇宙論的調査を約束しており、回帰問題や他のデータ駆動モデルを利用した研究に応用できるかもしれない。 それでもバイアス分散のトレードオフと十分な統計量の要求は、より良い方法論を開発し、データ使用戦略を最適化する必要性を示唆している。

関連論文リスト

• CLAP. I. Resolving miscalibration for deep learning-based galaxy photometric redshift estimation [3.611102630303458]
  我々は、光赤方偏移(CLAP)のためのContrastive Learning and Adaptive KNNと呼ばれる新しい手法を開発した。 教師付きコントラスト学習(SCL)とk-アネレスト近隣(KNN)を利用して、生の確率密度推定を構築し、校正する。 ハーモニック平均は、精度を向上させるために複数の実現からの推定値のアンサンブルを組み合わせるために用いられる。
  論文  参考訳（メタデータ） (2024-10-25T08:46:55Z)
• Learning Diffusion Model from Noisy Measurement using Principled Expectation-Maximization Method [9.173055778539641]
  本稿では,任意の破損型を持つ雑音データから拡散モデルを反復的に学習する,原則的予測最大化(EM)フレームワークを提案する。 筆者らはモンテカルロ法を用いて,ノイズ測定からクリーンな画像を正確に推定し,次いで再構成画像を用いて拡散モデルを訓練した。
  論文  参考訳（メタデータ） (2024-10-15T03:54:59Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Fast Model Debias with Machine Unlearning [54.32026474971696]
  ディープニューラルネットワークは多くの現実世界のシナリオでバイアスのある振る舞いをする。 既存のデバイアス法は、バイアスラベルやモデル再トレーニングのコストが高い。 バイアスを特定し,評価し,除去するための効率的なアプローチを提供する高速モデル脱バイアスフレームワーク(FMD)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T08:10:57Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Feature-Level Debiased Natural Language Understanding [86.8751772146264]
  既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。 本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。 DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-12-11T06:16:14Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Score-based diffusion models for accelerated MRI [35.3148116010546]
  本研究では,画像中の逆問題を容易に解けるような条件分布からデータをサンプリングする方法を提案する。 我々のモデルは、訓練のためにのみ等級画像を必要とするが、複雑な値のデータを再構成することができ、さらに並列画像まで拡張できる。
  論文  参考訳（メタデータ） (2021-10-08T08:42:03Z)
• Visual Recognition with Deep Learning from Biased Image Datasets [6.10183951877597]
  視覚認知の文脈において、バイアスモデルがどのように治療問題に適用できるかを示す。 作業中のバイアス機構に関する(近似的な)知識に基づいて、我々のアプローチは観察を再重み付けする。 本稿では,画像データベース間で共有される低次元画像表現を提案する。
  論文  参考訳（メタデータ） (2021-09-06T10:56:58Z)
• Scalable Statistical Inference of Photometric Redshift via Data Subsampling [0.3222802562733786]
  ビッグデータの処理は、従来の統計モデルでは大きなボトルネックとなっている。 統計モデルのアンサンブルからの不確実性を結合したデータ駆動統計モデリングフレームワークを開発する。 この手法を宇宙論における光度赤方位推定問題で実証する。
  論文  参考訳（メタデータ） (2021-03-30T02:49:50Z)

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。