論文の概要: The Classification of Optical Galaxy Morphology Using Unsupervised Learning Techniques

• arxiv url: http://arxiv.org/abs/2206.06165v1
• Date: Mon, 13 Jun 2022 13:52:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 21:38:13.598083
• Title: The Classification of Optical Galaxy Morphology Using Unsupervised Learning Techniques
• Title（参考訳）: 教師なし学習技術を用いた光学銀河形態の分類
• Authors: Ezra Fielding, Clement N. Nyirenda, Mattia Vaccari
• Abstract要約: 教師なし学習技術は、データを分類するために既存のラベルを必要としない。 本稿では,Galaxy Zoo DECaLSデータセットを人間の監督なしに分類するために,教師なし学習アルゴリズムを実装することを目的とする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of large scale, data intensive astronomical surveys has caused the viability of human-based galaxy morphology classification methods to come into question. Put simply, too much astronomical data is being produced for scientists to visually label. Attempts have been made to crowd-source this work by recruiting volunteers from the general public. However, even these efforts will soon fail to keep up with data produced by modern surveys. Unsupervised learning techniques do not require existing labels to classify data and could pave the way to unplanned discoveries. Therefore, this paper aims to implement unsupervised learning algorithms to classify the Galaxy Zoo DECaLS dataset without human supervision. First, a convolutional autoencoder was implemented as a feature extractor. The extracted features were then clustered via k-means, fuzzy c-means and agglomerative clustering to provide classifications. The results were compared to the volunteer classifications of the Galaxy Zoo DECaLS dataset. Agglomerative clustering generally produced the best results, however, the performance gain over k-means clustering was not significant. With the appropriate optimizations, this approach could be used to provide classifications for the better performing Galaxy Zoo DECaLS decision tree questions. Ultimately, this unsupervised learning approach provided valuable insights and results that were useful to scientists.
• Abstract（参考訳）: 大規模なデータ集約型天文学調査の出現により、ヒトベースの銀河形態分類法が実現可能になった。 簡単に言えば、科学者が視覚的にラベルを付けるには、天文学的なデータが多すぎるということです。 一般市民からボランティアを募集することで、この作業をクラウドソース化しようと試みられている。 しかし、こうした取り組みでさえ、現在の調査で得られたデータにすぐに従わないだろう。 教師なし学習技術では、既存のラベルでデータを分類する必要はなく、計画外の発見への道を開くことができる。 そこで本研究では,人間の監督なしにGalaxy Zoo DECaLSデータセットを分類するための教師なし学習アルゴリズムを実装することを目的とする。 まず、特徴抽出器として畳み込みオートエンコーダを実装した。 抽出した特徴は, k-means, fuzzy c-means, agglomerative clusteringによって分類された。 その結果,Galaxy Zoo DECaLSデータセットのボランティア分類と比較した。 集約クラスタリングは一般的に最良の結果を得たが、k平均クラスタリングよりもパフォーマンスが向上した。 適切な最適化により、この手法はより良いパフォーマンスのGalaxy Zoo DECaLS決定木質問のための分類を提供することができる。 最終的に、この教師なし学習アプローチは、科学者にとって有用な貴重な洞察と結果をもたらした。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• A review of unsupervised learning in astronomy [0.0]
  このレビューでは、一般的な教師なし学習手法を要約し、天文学における過去、現在、そして将来の用途について概観する。 教師なし学習は、知識を抽出できる方法でデータセットの情報内容を整理することを目的としている。
  論文  参考訳（メタデータ） (2024-06-25T06:57:47Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• Influence of Swarm Intelligence in Data Clustering Mechanisms [0.0]
  自然にインスパイアされたSwarmベースのアルゴリズムは、データの欠如と一貫性のない大規模なデータセットに対処するために、データクラスタリングに使用される。 本稿では、これらの新しいアプローチの性能を概観し、問題のある状況に最適な方法の比較を行う。
  論文  参考訳（メタデータ） (2023-05-07T08:40:50Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• 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)
• Detection of extragalactic Ultra-Compact Dwarfs and Globular Clusters using Explainable AI techniques [1.3764085113103222]
  銀河を取り巻く超コンパクト小星(UCD)や球状星団(GC)のような小さな恒星系は、これらの銀河を形成する融合現象のトレーサーとして知られている。 ここでは、Fornax銀河団のマルチ波長イメージングデータを用いて、これらの物体を前景の星や背景銀河から6個のフィルターで分離する機械学習モデルを訓練する。 精度と93%のリコールでUDD/GCを識別でき、各特徴量%(色と角の大きさ)の重要性を反映した関連性を提供します。
  論文  参考訳（メタデータ） (2022-01-05T13:37:55Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization [24.100651548850895]
  本稿では,大規模医用画像データセットの自動クラスタリングと分類のための教師なしアプローチを提案する。 本研究では,クラスバランスと非バランスな大規模データセットを用いたエンドツーエンドトレーニングについて検討した。
  論文  参考訳（メタデータ） (2021-09-30T22:39:57Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。