論文の概要: Light curve completion and forecasting using fast and scalable Gaussian processes (MuyGPs)

• arxiv url: http://arxiv.org/abs/2208.14592v1
• Date: Wed, 31 Aug 2022 01:52:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:47:49.984270
• Title: Light curve completion and forecasting using fast and scalable Gaussian processes (MuyGPs)
• Title（参考訳）: 高速かつスケーラブルなガウス過程(MuyGPs)を用いた光曲線の完備化と予測
• Authors: Im\`ene R. Goumiri, Alec M. Dunton, Amanda L. Muyskens, Benjamin W. Priest, Robert E. Armstrong
• Abstract要約: 商用オフザシェルフ(COTS)カメラによる地上観測は、高精度の機器に比べて安価である。 ノイズの多い観測と組み合わされたセンサの可用性は、ギャップの多い時系列データを生成することができる。 ディープニューラルネットワーク(DNN)は、複雑な非線形埋め込みを学習する経験的成功によって、選択のツールとなっている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal variations of apparent magnitude, called light curves, are observational statistics of interest captured by telescopes over long periods of time. Light curves afford the exploration of Space Domain Awareness (SDA) objectives such as object identification or pose estimation as latent variable inference problems. Ground-based observations from commercial off the shelf (COTS) cameras remain inexpensive compared to higher precision instruments, however, limited sensor availability combined with noisier observations can produce gappy time-series data that can be difficult to model. These external factors confound the automated exploitation of light curves, which makes light curve prediction and extrapolation a crucial problem for applications. Traditionally, image or time-series completion problems have been approached with diffusion-based or exemplar-based methods. More recently, Deep Neural Networks (DNNs) have become the tool of choice due to their empirical success at learning complex nonlinear embeddings. However, DNNs often require large training data that are not necessarily available when looking at unique features of a light curve of a single satellite. In this paper, we present a novel approach to predicting missing and future data points of light curves using Gaussian Processes (GPs). GPs are non-linear probabilistic models that infer posterior distributions over functions and naturally quantify uncertainty. However, the cubic scaling of GP inference and training is a major barrier to their adoption in applications. In particular, a single light curve can feature hundreds of thousands of observations, which is well beyond the practical realization limits of a conventional GP on a single machine. Consequently, we employ MuyGPs, a scalable framework for hyperparameter estimation of GP models that uses nearest neighbors sparsification and local cross-validation. MuyGPs...
• Abstract（参考訳）: 光度曲線と呼ばれる視等級の時間変化は、長期にわたって望遠鏡が捉えた関心の観測統計である。 光曲線は、オブジェクトの識別やポーズ推定といった空間領域認識(SDA)の目的を潜在変数推論問題として探究することができる。 商用オフ・ザ・シェルフ(COTS)カメラからの地上観測は、高精度な機器に比べて安価に保たれているが、ノイズの多い観測と組み合わせたセンサーの可用性は、モデル化が難しいような散在する時系列データを生成することができる。 これらの外部要因は光曲線の自動利用と矛盾し、光曲線予測と外挿がアプリケーションにとって重要な問題となる。 伝統的に、画像や時系列の完了問題は拡散に基づく手法や模範的な手法によってアプローチされてきた。 近年のDeep Neural Networks(DNN)は、複雑な非線形埋め込みを学習する経験的成功によって、選択のツールとなっている。 しかし、DNNは単一の衛星の光度曲線のユニークな特徴を見る際に必ずしも利用できない大規模なトレーニングデータを必要とすることが多い。 本稿では,ガウス過程(GP)を用いて,光曲線の欠落と将来のデータポイントを予測する新しい手法を提案する。 GPは、関数上の後続分布を推測し、不確実性を自然に定量化する非線形確率モデルである。 しかし、GP推論とトレーニングの立方体スケーリングは、アプリケーションで採用する上で大きな障壁となる。 特に、単一光曲線は数十万の観測を特徴付けることができ、これは1台のマシン上の従来のgpの実用上の限界をはるかに超える。 その結果,最寄りのスパシフィケーションと局所的クロスバリデーションを用いたGPモデルのハイパーパラメータ推定のためのスケーラブルなフレームワークであるMuyGPsを採用している。 MuyGP。

関連論文リスト

• Compactly-supported nonstationary kernels for computing exact Gaussian processes on big data [2.8377382540923004]
  スパーシリティと非定常性の両方を発見およびエンコードできる代替カーネルを導出する。 我々は,既存の精密かつ近似的なGP法と比較して,新しいカーネルの性能を実証する。 また,1日当たりの最大気温を100万回以上測定し,時空間予測を行った。
  論文  参考訳（メタデータ） (2024-11-07T20:07:21Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Linear Time GPs for Inferring Latent Trajectories from Neural Spike Trains [7.936841911281107]
  我々は,Hida-Mat'ernカーネルと共役変分推論(CVI)を利用した潜在GPモデルの一般的な推論フレームワークであるcvHMを提案する。 我々は任意の確率で線形時間複雑性を持つ潜在神経軌道の変分推定を行うことができる。
  論文  参考訳（メタデータ） (2023-06-01T16:31:36Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Real-time detection of anomalies in large-scale transient surveys [0.0]
  本稿では, 異常な過渡光曲線を自動的にリアルタイムに検出する2つの新しい手法を提案する。 どちらの手法も、既知のトランジェント集団からの光曲線を正確にモデル化できるなら、モデル予測からの偏差は、おそらく異常である、という単純な考え方に基づいている。
  論文  参考訳（メタデータ） (2021-10-29T18:29:25Z)
• Combining Pseudo-Point and State Space Approximations for Sum-Separable Gaussian Processes [48.64129867897491]
  我々は,擬似点法と状態空間GP近似フレームワークを組み合わせて両世界の長所を得る,シンプルでエレガントな方法が存在することを示す。 組み合わせたアプローチは、どちらの方法よりも拡張性が高く、時間的問題にも適用可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-18T16:30:09Z)
• Disentangling Derivatives, Uncertainty and Error in Gaussian Process Models [12.229461458053809]
  本稿では,GPモデルの誘導体を用いて解析誤差伝播の定式化を行う方法を紹介する。 赤外線観測データから温度予測問題における予測分散と伝播誤差項を解析した。
  論文  参考訳（メタデータ） (2020-12-09T10:03:13Z)

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。