論文の概要: Exoplanet Detection by Machine Learning with Data Augmentation
- arxiv url: http://arxiv.org/abs/2211.15577v1
- Date: Mon, 28 Nov 2022 17:35:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 23:02:23.381633
- Title: Exoplanet Detection by Machine Learning with Data Augmentation
- Title(参考訳): データ拡張による機械学習による外惑星検出
- Authors: Koray Aydo\u{g}an
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It has recently been demonstrated that deep learning has significant
potential to automate parts of the exoplanet detection pipeline using light
curve data from satellites such as Kepler \cite{borucki2010kepler}
\cite{koch2010kepler} and NASA's Transiting Exoplanet Survey Satellite (TESS)
\cite{ricker2010transiting}. Unfortunately, the smallness of the available
datasets makes it difficult to realize the level of performance one expects
from powerful network architectures.
In this paper, we investigate the use of data augmentation techniques on
light curve data from to train neural networks to identify exoplanets. The
augmentation techniques used are of two classes: Simple (e.g. additive noise
augmentation) and learning-based (e.g. first training a GAN
\cite{goodfellow2020generative} to generate new examples). We demonstrate that
data augmentation has a potential to improve model performance for the
exoplanet detection problem, and recommend the use of augmentation based on
generative models as more data becomes available.
- Abstract(参考訳): 近年、深層学習はkepler \cite{borucki2010kepler} \cite{koch2010kepler} やnasaのtransiting exoplanet survey satellite (tess) \cite{ricker2010transiting} のような衛星からの光曲線データを用いて、太陽系外惑星検出パイプラインの一部を自動化する重要な可能性を実証されている。
残念ながら、利用可能なデータセットの小さいため、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は難しい。
本稿では,外惑星を識別するために,ニューラルネットワークを訓練するための光曲線データに対するデータ拡張手法について検討する。
Augmentation Technique は2つのクラスから構成される: 単純(例:加法的雑音増大)と学習ベース(例: GAN \cite{goodfellow2020generative} を訓練して新しい例を生成する)。
我々は、データ拡張が外惑星検出問題におけるモデル性能を向上させる可能性を実証し、より多くのデータが利用可能になるにつれて、生成モデルに基づく拡張の利用を推奨する。
関連論文リスト
- Generative Expansion of Small Datasets: An Expansive Graph Approach [13.053285552524052]
最小限のサンプルから大規模で情報豊富なデータセットを生成する拡張合成モデルを提案する。
自己アテンション層と最適なトランスポートを持つオートエンコーダは、分散一貫性を洗練させる。
結果は同等のパフォーマンスを示し、モデルがトレーニングデータを効果的に増強する可能性を示している。
論文 参考訳(メタデータ) (2024-06-25T02:59:02Z) - Scale-Translation Equivariant Network for Oceanic Internal Solitary Wave Localization [7.444865250744234]
内部孤立波(英:internal Solitary wave、ISW)は、内部の海洋でしばしば観測される重力波である。
光リモートセンシング画像における雲のカバーは、地表面の情報を可変的に曖昧にし、ぼやけたり、表面の観察を欠いたりする。
本稿では,ISWを自動検出するアルゴリズムを用いた機械学習ソリューションを提案する。
論文 参考訳(メタデータ) (2024-06-18T21:09:56Z) - Data Augmentations in Deep Weight Spaces [89.45272760013928]
そこで本研究では,Mixup法に基づく新しい拡張手法を提案する。
既存のベンチマークと新しいベンチマークでこれらのテクニックのパフォーマンスを評価する。
論文 参考訳(メタデータ) (2023-11-15T10:43:13Z) - DiffusionEngine: Diffusion Model is Scalable Data Engine for Object
Detection [41.436817746749384]
Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。
DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
論文 参考訳(メタデータ) (2023-09-07T17:55:01Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳(メタデータ) (2023-03-24T11:12:37Z) - ExoSGAN and ExoACGAN: Exoplanet Detection using Adversarial Training
Algorithms [0.0]
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。
論文 参考訳(メタデータ) (2022-07-20T05:45:36Z) - Improving Astronomical Time-series Classification via Data Augmentation
with Generative Adversarial Networks [1.2891210250935146]
本稿では,GAN(Generative Adrial Networks)に基づくデータ拡張手法を提案する。
変動星の分類精度は、合成データによるトレーニングや実データによるテストで著しく向上する。
論文 参考訳(メタデータ) (2022-05-13T16:39:54Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳(メタデータ) (2021-12-31T10:03:47Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。
局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文 参考訳(メタデータ) (2021-09-08T18:10:08Z) - DeepSatData: Building large scale datasets of satellite images for
training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。
本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文 参考訳(メタデータ) (2021-04-28T15:13:12Z)
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。