論文の概要: Identifying outliers in astronomical images with unsupervised machine learning

• arxiv url: http://arxiv.org/abs/2205.09760v1
• Date: Thu, 19 May 2022 09:58:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-23 15:43:40.739980
• Title: Identifying outliers in astronomical images with unsupervised machine learning
• Title（参考訳）: 教師なし機械学習による天文学画像の異常値の同定
• Authors: Yang Han and Zhiqiang Zou and Nan Li and Yanli Chen
• Abstract要約: 予測不能な天文学のアウトリーチは、天文学における真に予期せぬ知識の発見に常に繋がる。 人間の検査で膨大なデータから稀で予期せぬ標的を掘り下げることは、非常に難しい課題である。 我々は、銀河画像のデータから外れ値を特定するために教師なし機械学習アプローチを採用する。
• 参考スコア（独自算出の注目度）: 4.469071901315176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Astronomical outliers, such as unusual, rare or unknown types of astronomical objects or phenomena, constantly lead to the discovery of genuinely unforeseen knowledge in astronomy. More unpredictable outliers will be uncovered in principle with the increment of the coverage and quality of upcoming survey data. However, it is a severe challenge to mine rare and unexpected targets from enormous data with human inspection due to a significant workload. Supervised learning is also unsuitable for this purpose since designing proper training sets for unanticipated signals is unworkable. Motivated by these challenges, we adopt unsupervised machine learning approaches to identify outliers in the data of galaxy images to explore the paths for detecting astronomical outliers. For comparison, we construct three methods, which are built upon the k-nearest neighbors (KNN), Convolutional Auto-Encoder (CAE)+ KNN, and CAE + KNN + Attention Mechanism (attCAE KNN) separately. Testing sets are created based on the Galaxy Zoo image data published online to evaluate the performance of the above methods. Results show that attCAE KNN achieves the best recall (78%), which is 53% higher than the classical KNN method and 22% higher than CAE+KNN. The efficiency of attCAE KNN (10 minutes) is also superior to KNN (4 hours) and equal to CAE+KNN(10 minutes) for accomplishing the same task. Thus, we believe it is feasible to detect astronomical outliers in the data of galaxy images in an unsupervised manner. Next, we will apply attCAE KNN to available survey datasets to assess its applicability and reliability.
• Abstract（参考訳）: 異常、稀、未知の種類の天体や現象のような天文学上の外れは、天文学において真に予期せぬ知識の発見につながる。 より予測不能な異常値が原則として,今後の調査データのカバレッジと品質の増分とともに発見されるだろう。 しかし、膨大な作業負荷のため、人的検査を伴う膨大なデータから、まれで予期せぬ目標を発掘することは厳しい課題である。 予測外の信号に対する適切なトレーニングセットを設計することは、この目的には適さない。 これらの課題に動機づけられ、銀河画像の異常値を特定するために教師なしの機械学習アプローチを採用し、天文学的異常値を検出する経路を探索する。 比較のために,k-nearest neighbors (KNN), Convolutional Auto-Encoder (CAE)+ KNN, CAE + KNN + Attention Mechanism (attCAE KNN) を別々に構築する。 テストセットは、オンライン公開されたGalaxy Zooイメージデータに基づいて作成され、上記の手法の性能を評価する。 その結果,attCAE KNNは,従来のKNN法より53%高く,CAE+KNNより22%高いリコール(78%)を達成した。 attCAE KNN (10分) の効率は KNN (4時間) よりも優れており、同じタスクを達成するのに CAE+KNN(10分) に等しい。 したがって、銀河画像のデータの天文学的異常を教師なしの方法で検出することは可能であると信じている。 次に、attCAE KNNを利用可能な調査データセットに適用して、適用性と信頼性を評価する。

関連論文リスト

• Information Modified K-Nearest Neighbor [4.916646834691489]
  K-Nearest Neighbors (KNN) は、隣人によるサンプルの分類である。 多くのKNN手法は、従来のKNNを著しく上回らない複雑なアルゴリズムを導入している。 KNNアルゴリズムの性能向上のための情報修正KNN(IMKNN)を提案する。 12の広く使われているデータセットの実験を行い、11.05%、12.42%、精度12.07%、精度12.07%、リコール性能をそれぞれ達成した。
  論文  参考訳（メタデータ） (2023-12-04T16:10:34Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• ODNet: A Convolutional Neural Network for Asteroid Occultation Detection [0.36700088931938835]
  我々は,コンボリューショナルニューラルネットワーク(CNN)とUnistellarネットワークからの観測を用いて,小惑星の眼球運動を確実に検出するアルゴリズムを構築することを提案する。 アルゴリズムは十分に高速で堅牢であるため、リアルタイムな結果を得るためにeVscopesを組み込むことを想定できる。
  論文  参考訳（メタデータ） (2022-10-28T23:53:09Z)
• Systematic biases when using deep neural networks for annotating large catalogs of astronomical images [0.0]
  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。
  論文  参考訳（メタデータ） (2022-01-10T01:51:14Z)
• Rethinking Nearest Neighbors for Visual Classification [56.00783095670361]
  k-NNは、トレーニングセット内のテストイメージとトップk隣人間の距離を集約する遅延学習手法である。 我々は,教師付き手法と自己監督型手法のいずれでも,事前学習した視覚表現を持つk-NNを2つのステップで採用する。 本研究は,幅広い分類タスクに関する広範な実験により,k-NN統合の汎用性と柔軟性を明らかにした。
  論文  参考訳（メタデータ） (2021-12-15T20:15:01Z)
• Shift-Robust GNNs: Overcoming the Limitations of Localized Graph Training data [52.771780951404565]
  Shift-Robust GNN (SR-GNN) は、バイアス付きトレーニングデータとグラフの真の推論分布の分布差を考慮に入れた設計である。 SR-GNNが他のGNNベースラインを精度良く上回り、バイアス付きトレーニングデータから生じる負の効果の少なくとも40%を排除していることを示す。
  論文  参考訳（メタデータ） (2021-08-02T18:00:38Z)
• KNN-enhanced Deep Learning Against Noisy Labels [4.765948508271371]
  Deep Neural Networks(DNN)の監視学習は、データ空腹である。 本研究では,ラベルクリーンアップに深いKNNを適用することを提案する。 ニューラルネットワークを反復的にトレーニングし、ラベルを更新し、ラベル回復率の向上と分類性能の向上を同時に進める。
  論文  参考訳（メタデータ） (2020-12-08T05:21:29Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters [78.53851936180348]
  近年の実証研究,すなわち特徴カモフラージュと関係カモフラージュの2種類のカモフラージュを紹介した。 既存のGNNはこれらの2つのカモフラージュに対処していない。 カモフラージュ抵抗型GNN(CARE-GNN)と呼ばれる新しいモデルを提案し、カモフラージュに対する3つのユニークなモジュールを用いたGNN集約プロセスを強化する。
  論文  参考訳（メタデータ） (2020-08-19T22:33:12Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• Advanced kNN: A Mature Machine Learning Series [2.7729939137633877]
  k-nearest neighbor (kNN) は、機械学習やデータマイニングにおいて最も顕著で単純で基本的なアルゴリズムの1つである。 本研究の目的は、未知のインスタンスを分類できる高度なkNN(A-kNN)アルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-03-01T06:11:04Z)

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。