論文の概要: Toward an understanding of the properties of neural network approaches
for supernovae light curve approximation
- arxiv url: http://arxiv.org/abs/2209.07542v1
- Date: Thu, 15 Sep 2022 18:00:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 13:35:57.582576
- Title: Toward an understanding of the properties of neural network approaches
for supernovae light curve approximation
- Title（参考訳）: 超新星光曲線近似のためのニューラルネットワークアプローチの特性の理解に向けて
- Authors: Mariia Demianenko, Konstantin Malanchev, Ekaterina Samorodova, Mikhail
Sysak, Aleksandr Shiriaev, Denis Derkach, Mikhail Hushchyn
- Abstract要約: 時系列は、ピークや光度低下推定のような光度分類と特徴付けに使用される。
時系列は多次元で、不規則にサンプリングされ、外れ値を含み、明確に定義された体系的な不確実性を持たない。
単一光曲線の観測を近似するために,ニューラルネットワークに基づく光曲線近似法について検討する。
- 参考スコア（独自算出の注目度）: 53.180678723280145
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modern time-domain photometric surveys collect a lot of observations of
various astronomical objects, and the coming era of large-scale surveys will
provide even more information. Most of the objects have never received a
spectroscopic follow-up, which is especially crucial for transients e.g.
supernovae. In such cases, observed light curves could present an affordable
alternative. Time series are actively used for photometric classification and
characterization, such as peak and luminosity decline estimation. However, the
collected time series are multidimensional, irregularly sampled, contain
outliers, and do not have well-defined systematic uncertainties. Machine
learning methods help extract useful information from available data in the
most efficient way. We consider several light curve approximation methods based
on neural networks: Multilayer Perceptrons, Bayesian Neural Networks, and
Normalizing Flows, to approximate observations of a single light curve. Tests
using both the simulated PLAsTiCC and real Zwicky Transient Facility data
samples demonstrate that even few observations are enough to fit networks and
achieve better approximation quality than other state-of-the-art methods. We
show that the methods described in this work have better computational
complexity and work faster than Gaussian Processes. We analyze the performance
of the approximation techniques aiming to fill the gaps in the observations of
the light curves, and show that the use of appropriate technique increases the
accuracy of peak finding and supernova classification. In addition, the study
results are organized in a Fulu Python library available on GitHub, which can
be easily used by the community.
- Abstract（参考訳）: 現代の時間領域測光サーベイは様々な天体の多くの観測を収集し、大規模なサーベイの次なる時代はさらに多くの情報を提供するだろう。
ほとんどの天体は、超新星のような過渡期にとって特に重要な分光観測の追跡を受けていない。
このような場合、観測された光度曲線は安価な代替となる可能性がある。
時系列は、ピークや光度低下推定などの光度分類や特徴付けに積極的に使用される。
しかし、収集された時系列は多次元で不規則にサンプリングされ、外れ値を含み、体系的な不確実性を持たない。
機械学習は、利用可能なデータから最も効率的な方法で有用な情報を抽出するのに役立つ。
一つの光曲線を近似するために,多層パーセプトロン,ベイズニューラルネットワーク,正規化流れなど,ニューラルネットワークに基づく複数の光曲線近似法を検討した。
シミュレーションされたPLAsTiCCと実際のZwicky Transient Facilityのデータサンプルの両方を使用したテストでは、ネットワークに適合し、他の最先端の手法よりも優れた近似品質を実現するのに十分な観測結果が得られている。
本研究で記述した手法は,ガウス過程よりも計算量が多く,より高速に動作することを示す。
光曲線の観測におけるギャップを埋めることを目的とした近似手法の性能解析を行い、適切な手法を用いることでピーク検出と超新星分類の精度が向上することを示す。
さらに、調査結果はGitHubで利用可能なFlu Pythonライブラリにまとめられている。
関連論文リスト
- 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) - 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) - A Bootstrap Algorithm for Fast Supervised Learning [0.0]
ニューラルネットワーク(NN)のトレーニングは通常、勾配降下(および勾配降下(SGD))、ADADELTA、ADAM、制限メモリアルゴリズムなど、ある種の曲線追従手法に依存する。
これらのアルゴリズムの収束は通常、高いレベルの精度を達成するために大量の観測にアクセスできることに依存しており、特定の種類の関数で、これらのアルゴリズムはキャッチするデータポイントの複数のエポックを取ることができる。
ここでは、収束速度が劇的に向上する可能性を秘めている別の手法を探求する: カーブフォローではなく、隠れた層を「疎結合」することなどに依存する。
論文 参考訳（メタデータ） (2023-05-04T18:28:18Z) - Light curve completion and forecasting using fast and scalable Gaussian
processes (MuyGPs) [0.0]
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。
論文 参考訳（メタデータ） (2022-08-31T01:52:00Z) - 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) - Time-Series Anomaly Detection with Implicit Neural Representation [0.38073142980733]
Inlicit Neural Representation-based Anomaly Detection (INRAD)を提案する。
入力に時間がかかり、その時点で対応する値を出力する単純な多層パーセプトロンを訓練する。
そして,その表現誤りを異常検出のための異常スコアとして利用する。
論文 参考訳（メタデータ） (2022-01-28T06:17:24Z) - 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) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。
本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。
提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-02-09T07:19:19Z)
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。