論文の概要: Using Multiple Instance Learning for Explainable Solar Flare Prediction
- arxiv url: http://arxiv.org/abs/2203.13896v1
- Date: Fri, 25 Mar 2022 20:15:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-03 04:36:11.885196
- Title: Using Multiple Instance Learning for Explainable Solar Flare Prediction
- Title（参考訳）: 説明可能な太陽フレア予測のための複数インスタンス学習
- Authors: C\'edric Huwyler, Martin Melchior
- Abstract要約: 太陽フレアの予測には、NASAのIRIS衛星のスペクトルデータの弱いラベル付きデータセットを用いる。
我々はk平均クラスタリングを用いて、フレア予測に関係のあるスペクトルプロファイルの群を抽出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work we leverage a weakly-labeled dataset of spectral data from NASAs
IRIS satellite for the prediction of solar flares using the Multiple Instance
Learning (MIL) paradigm. While standard supervised learning models expect a
label for every instance, MIL relaxes this and only considers bags of instances
to be labeled. This is ideally suited for flare prediction with IRIS data that
consists of time series of bags of UV spectra measured along the instrument
slit. In particular, we consider the readout window around the Mg II h&k lines
that encodes information on the dynamics of the solar chromosphere. Our MIL
models are not only able to predict whether flares occur within the next
$\sim$25 minutes with accuracies of around 90%, but are also able to explain
which spectral profiles were particularly important for their bag-level
prediction. This information can be used to highlight regions of interest in
ongoing IRIS observations in real-time and to identify candidates for typical
flare precursor spectral profiles. We use k-means clustering to extract groups
of spectral profiles that appear relevant for flare prediction. The recovered
groups show high intensity, triplet red wing emission and single-peaked h and k
lines, as found by previous works. They seem to be related to small-scale
explosive events that have been reported to occur tens of minutes before a
flare.
- Abstract（参考訳）: 本研究では、NASAのIRIS衛星からのスペクトルデータの弱いラベル付きデータセットを用いて、MIL(Multiple Instance Learning)パラダイムを用いた太陽フレアの予測を行う。
標準的な教師付き学習モデルはすべてのインスタンスにラベルを期待するが、MILはこれを緩和し、ラベル付けされるインスタンスの袋のみを考慮する。
これは、機器スリットに沿って測定された紫外線スペクトルの時系列からなるIRISデータによるフレア予測に最適である。
特に,mg ii h&k線周辺の読み出し窓について検討し,太陽色圏のダイナミクスに関する情報をエンコードする。
我々のMILモデルは、約90%の精度で次の$\sim$25分以内にフレアが発生するかどうかを予測できるだけでなく、バッグレベルの予測にどのスペクトルプロファイルが特に重要かを説明することもできる。
この情報は、現在進行中のIRIS観測における関心領域をリアルタイムで強調し、典型的なフレア前駆体スペクトルプロファイルの候補を特定するために用いられる。
我々はk-meansクラスタリングを用いて,フレア予測に関連するスペクトルプロファイル群を抽出する。
回収された群は、以前の研究で見つかったように、高強度、三重項赤翼放出、単ピークhとk線を示す。
これらは、フレアの何分か前に発生したと報告された小規模な爆発物と関連しているようである。
関連論文リスト
- Predicting Emergent Capabilities by Finetuning [98.9684114851891]
微調整された言語モデルでは,出現頻度の低いモデルに展開するスケーリングのポイントをシフトできることがわかった。
提案手法は4つの標準NLPベンチマークを用いて検証する。
いくつかのケースでは、最大4倍の計算でトレーニングされたモデルが出現したかどうかを正確に予測できる。
論文 参考訳（メタデータ） (2024-11-25T01:48:09Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳（メタデータ） (2024-03-04T23:12:17Z) - Stellar Spectra Fitting with Amortized Neural Posterior Estimation and
nbi [0.0]
APOGEEサーベイのためのANPEモデルをトレーニングし、モックスペクトルと実恒星スペクトルの両方で有効性を示す。
スペクトルデータに固有の計測ノイズ特性を効果的に処理する手法を提案する。
我々はANPEの「モデル動物園」の有用性について論じる。そこでは、モデルは特定の楽器のために訓練され、nbiフレームワークの下で配布される。
論文 参考訳（メタデータ） (2023-12-09T21:30:07Z) - Probabilistic solar flare forecasting using historical magnetogram data [0.0]
複数の機器から毎日の歴史的マグネトグラムデータの太陽周期を4回以上検討する。
これは、MLベースのフレア予測のために、この歴史的データを活用しようとする最初の試みである。
過去のデータを含むと予測能力や信頼性が向上することがわかった。
論文 参考訳（メタデータ） (2023-08-29T16:10:20Z) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳（メタデータ） (2023-05-17T09:37:07Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳（メタデータ） (2021-07-13T11:08:47Z) - Machine Learning for automatic identification of new minor species [1.617647375371818]
未監視の機械学習に基づく新しい手法を提案し,新しい小種を自動的に検出する。
我々は,データ量スペクトルと源スペクトルの線形混合により,データセットの非線形性を近似する。
私たちのアプローチでは、ノイズレベルの1.5倍の104ドルから100ドルの隠されたスペクトルで存在する化合物を検出できます。
論文 参考訳（メタデータ） (2020-12-15T09:51:19Z) - Cycle-StarNet: Bridging the gap between theory and data by leveraging
large datasets [0.0]
現在のスペクトル分析の自動化手法は、(a)データ駆動であり、恒星パラメータと元素の存在量の事前の知識を必要とするか、(b)理論と実践のギャップに影響を受けやすい理論合成モデルに基づくかのいずれかである。
本研究では、シミュレーションされた恒星スペクトルを、教師なし学習を大規模分光サーベイに適用することにより、現実的なスペクトルに変換するハイブリッドな生成領域適応法を提案する。
論文 参考訳（メタデータ） (2020-07-06T23:06:58Z)
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。