論文の概要: ExoSGAN and ExoACGAN: Exoplanet Detection using Adversarial Training Algorithms

• arxiv url: http://arxiv.org/abs/2207.09665v1
• Date: Wed, 20 Jul 2022 05:45:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:03:20.785510
• Title: ExoSGAN and ExoACGAN: Exoplanet Detection using Adversarial Training Algorithms
• Title（参考訳）: ExoSGANとExoACGAN: 対向学習アルゴリズムを用いた外惑星検出
• Authors: Cicy K Agnes, Akthar Naveed V, Anitha Mary M O Chacko
• Abstract要約: 我々は、K2データ中の移動系外惑星を検出するために、2種類の生成逆数ネットワークを使用する。 本手法では,テストデータに基づいて光曲線をリコール精度1.00の精度で分類することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exoplanet detection opens the door to the discovery of new habitable worlds and helps us understand how planets were formed. With the objective of finding earth-like habitable planets, NASA launched Kepler space telescope and its follow up mission K2. The advancement of observation capabilities has increased the range of fresh data available for research, and manually handling them is both time-consuming and difficult. Machine learning and deep learning techniques can greatly assist in lowering human efforts to process the vast array of data produced by the modern instruments of these exoplanet programs in an economical and unbiased manner. However, care should be taken to detect all the exoplanets precisely while simultaneously minimizing the misclassification of non-exoplanet stars. In this paper, we utilize two variations of generative adversarial networks, namely semi-supervised generative adversarial networks and auxiliary classifier generative adversarial networks, to detect transiting exoplanets in K2 data. We find that the usage of these models can be helpful for the classification of stars with exoplanets. Both of our techniques are able to categorize the light curves with a recall and precision of 1.00 on the test data. Our semi-supervised technique is beneficial to solve the cumbersome task of creating a labeled dataset.
• Abstract（参考訳）: 太陽系外惑星の検出は、新しい居住可能な世界の発見への扉を開き、惑星がどのように形成されたかを理解するのに役立ちます。 地球に似た居住可能な惑星を見つけるため、NASAはケプラー宇宙望遠鏡とそれに続くミッションK2を打ち上げた。 観測能力の進歩により、研究に利用可能なフレッシュなデータの範囲が拡大し、手動で処理するのは時間がかかり、難しくなっている。 機械学習とディープラーニング技術は、これらの太陽系外惑星プログラムの現代の機器が生み出す膨大なデータを、経済的かつ偏見のない方法で処理するために、人間の努力を減らすのに大いに役立つ。 しかし、全ての太陽系外惑星を正確に検出し、同時に非太陽系外惑星の誤分類を最小限に抑える必要がある。 本稿では, 半教師付き生成逆数ネットワークと補助分類器生成逆数ネットワークという2種類の生成逆数ネットワークを用いて, K2データ中の遷移系外惑星を検出する。 これらのモデルの使用は、外惑星を持つ恒星の分類に有用である。 どちらの手法も、テストデータに対して、リコールと精度1.00の光曲線を分類することができる。 我々の半教師付き手法はラベル付きデータセットを作成するという面倒な作業を解決するのに有益である。

関連論文リスト

• 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)
• Multiple Random Masking Autoencoder Ensembles for Robust Multimodal Semi-supervised Learning [64.81450582542878]
  コンピュータビジョンや機械学習には、現実の問題が増えている。 衛星データから地球観測を行う場合、一つの観測層を予測できることが重要である。
  論文  参考訳（メタデータ） (2024-02-12T20:08:58Z)
• Identification and Classification of Exoplanets Using Machine Learning Techniques [0.0]
  ケプラー宇宙望遠鏡とその拡張ミッションK2のデータに対する残差ネットワークを用いた太陽系外惑星の同定に関する既存の研究について検討する。 本研究の目的は、深層学習アルゴリズムが、あるケースにおけるデータ量の少ない外惑星の存在と、別のケースにおけるより広範なデータの存在を分類する上で、どのように役立つかを明らかにすることである。
  論文  参考訳（メタデータ） (2023-05-16T16:51:07Z)
• Exoplanet Detection by Machine Learning with Data Augmentation [0.0]
  ディープラーニングは、外惑星検出パイプラインの一部を自動化する可能性がある。 利用可能なデータセットの少なさは、強力なネットワークアーキテクチャから期待されるパフォーマンスレベルを実現するのを難しくする。 本研究では,データ拡張によって外惑星検出問題に対するモデル性能が向上する可能性を実証する。
  論文  参考訳（メタデータ） (2022-11-28T17:35:16Z)
• 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)
• Identifying Exoplanets with Machine Learning Methods: A Preliminary Study [1.553390835237685]
  本研究では,太陽系外惑星の同定に機械学習を用いた手法を提案する。 我々はケプラー宇宙観測所からNASAが収集したケプラーデータセットを用いて教師あり学習を行った。 我々はまた、k平均クラスタリングを用いて、確認された外惑星を異なるクラスタに分割する教師なし学習も行った。
  論文  参考訳（メタデータ） (2022-04-01T23:48:26Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Automation Of Transiting Exoplanet Detection, Identification and Habitability Assessment Using Machine Learning Approaches [0.0]
  我々はケプラー望遠鏡で捉えた恒星からの光強度曲線を分析し、惑星系の存在の性質を示すポテンシャル曲線を検出する。 我々は、いくつかの最先端機械学習とアンサンブルアプローチを活用することで、外惑星識別と居住可能性判定の自動化に取り組む。
  論文  参考訳（メタデータ） (2021-12-06T19:00:12Z)
• Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
  火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。 高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。 また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-12T12:52:20Z)
• Exoplanet Detection using Machine Learning [0.0]
  トランジット法を用いて外惑星を検出する機械学習に基づく新しい手法を提案する。 ケプラーのデータでは、AUCが0.948である惑星を予測できるため、真の惑星信号の94.8%が非惑星信号よりも高い位置にある。 トランジット系外惑星探査衛星(TESS)のデータでは、我々の方法では光曲線を0.98の精度で分類することができ、0.82のリコールで惑星を0.63の精度で識別できることがわかった。
  論文  参考訳（メタデータ） (2020-11-28T14:06:39Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)

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。