論文の概要: Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection
- arxiv url: http://arxiv.org/abs/2211.00677v1
- Date: Tue, 1 Nov 2022 18:07:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 11:58:46.310289
- Title: Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection
- Title（参考訳）: クロスサーベイ銀河形態分類と異常検出のための半監督領域適応法
- Authors: Aleksandra \'Ciprijanovi\'c and Ashia Lewis and Kevin Pedro and
Sandeep Madireddy and Brian Nord and Gabriel N. Perdue and Stefan Wild
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 57.85347204640585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the era of big astronomical surveys, our ability to leverage artificial
intelligence algorithms simultaneously for multiple datasets will open new
avenues for scientific discovery. Unfortunately, simply training a deep neural
network on images from one data domain often leads to very poor performance on
any other dataset. Here we develop a Universal Domain Adaptation method
DeepAstroUDA, capable of performing semi-supervised domain alignment that can
be applied to datasets with different types of class overlap. Extra classes can
be present in any of the two datasets, and the method can even be used in the
presence of unknown classes. For the first time, we demonstrate the successful
use of domain adaptation on two very different observational datasets (from
SDSS and DECaLS). We show that our method is capable of bridging the gap
between two astronomical surveys, and also performs well for anomaly detection
and clustering of unknown data in the unlabeled dataset. We apply our model to
two examples of galaxy morphology classification tasks with anomaly detection:
1) classifying spiral and elliptical galaxies with detection of merging
galaxies (three classes including one unknown anomaly class); 2) a more
granular problem where the classes describe more detailed morphological
properties of galaxies, with the detection of gravitational lenses (ten classes
including one unknown anomaly class).
- Abstract（参考訳）: 大きな天文学的な調査の時代に、複数のデータセットに人工知能アルゴリズムを同時に活用する能力は、科学的な発見のための新たな道を開くだろう。
残念なことに、あるデータドメインの画像にディープニューラルネットワークをトレーニングするだけで、他のデータセットでは非常にパフォーマンスが悪くなります。
本稿では、クラスオーバーラップの異なるデータセットに適用可能な半教師付きドメインアライメントを実行することができるUniversal Domain Adaptation法DeepAstroUDAを提案する。
余分なクラスは2つのデータセットのいずれかに存在し、メソッドは未知のクラスの存在下でも使用できる。
本研究では,2つの異なる観測データセット(sdsとdecals)上でのドメイン適応を初めて成功させた。
本手法は,2つの天文学調査のギャップを橋渡しできると同時に,ラベルなしデータセットにおける未知のデータの異常検出とクラスタリングにも有効であることを示す。
我々は、異常検出を伴う銀河形態分類の2つの例に適用する。
1) 融合銀河の検出による渦巻銀河及び楕円銀河の分類(未知の異常類を含む3類)
2) クラスがより詳細な銀河の形態的性質を記述し、重力レンズ(未知の1つの異常クラスを含む10のクラス)を検出するより細かい問題。
関連論文リスト
- Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
我々はコンテキスト拡張を通じて学習するCon$を提案する。
論文 参考訳（メタデータ） (2024-05-29T07:59:06Z) - ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - Multi-Class Deep SVDD: Anomaly Detection Approach in Astronomy with
Distinct Inlier Categories [46.34797489552547]
我々は,異なるデータ分布を持つ複数の不整合カテゴリを扱うために,MCDSVDD(Multi-class Deep Support Vector Data Description)を提案する。
MCDSVDDはニューラルネットワークを使用してデータをハイパースフィアにマッピングする。
以上の結果から, 異常源の検出にMDCSVDDが有効であることが示唆された。
論文 参考訳（メタデータ） (2023-08-09T15:10:53Z) - DeepAstroUDA: Semi-Supervised Universal Domain Adaptation for
Cross-Survey Galaxy Morphology Classification and Anomaly Detection [0.0]
本稿では,この課題を克服するためのアプローチとして,ユニバーサルドメイン適応手法であるtextitDeepAstroUDAを提案する。
textitDeepAstroUDAは、2つの天文学的な調査のギャップを埋め、両方のドメインの分類精度を高めることができる。
また,本手法は異常検出アルゴリズムや未知のクラスサンプルのクラスタ化にも有効である。
論文 参考訳（メタデータ） (2023-02-03T21:20:58Z) - 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) - DeepMerge II: Building Robust Deep Learning Algorithms for Merging
Galaxy Identification Across Domains [0.0]
天文学では、ニューラルネットワークはしばしばシミュレーションデータで訓練され、望遠鏡の観測に使用されます。
従来の深層学習アルゴリズムと比較して,各領域適応手法の追加により分類器の性能が向上することを示した。
この2つの例は、遠方の銀河の2つのIllustris-1シミュレーションデータセットと、近くの銀河のシミュレーションデータとSloan Digital Sky Surveyの観測データである。
論文 参考訳（メタデータ） (2021-03-02T00:24:10Z) - MOCCA: Multi-Layer One-Class ClassificAtion for Anomaly Detection [16.914663209964697]
我々は,Multi-Layer One-Class Classification (MOCCA) と呼ばれる異常検出問題に対するディープラーニングアプローチを提案する。
異なる深さで抽出された情報を利用して異常なデータインスタンスを検出することで、ディープニューラルネットワークのピースワイズ的性質を明示的に活用します。
本稿では,本手法が文献で利用可能な最先端手法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2020-12-09T08:32:56Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-15T03:05:39Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-23T13:16:34Z)
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。