論文の概要: Parameters for > 300 million Gaia stars: Bayesian inference vs. machine learning

• arxiv url: http://arxiv.org/abs/2302.06995v1
• Date: Tue, 14 Feb 2023 12:04:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 15:35:53.737941
• Title: Parameters for > 300 million Gaia stars: Bayesian inference vs. machine learning
• Title（参考訳）: 3億以上のgaia星のパラメータ - bayesian inference vs. machine learning
• Authors: F. Anders, A. Khalatyan, A. B. A. Queiroz, S. Nepal, C. Chiappini
• Abstract要約: 本稿では,ガイアDR3から基本恒星パラメータを抽出する方法と地上観測データについて述べる。 単純なニューラルネットアーキテクチャやツリーベースのアルゴリズムであっても、競合する結果の予測に成功し、規模を小さくすることを示す。
• 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: The Gaia Data Release 3 (DR3), published in June 2022, delivers a diverse set of astrometric, photometric, and spectroscopic measurements for more than a billion stars. The wealth and complexity of the data makes traditional approaches for estimating stellar parameters for the full Gaia dataset almost prohibitive. We have explored different supervised learning methods for extracting basic stellar parameters as well as distances and line-of-sight extinctions, given spectro-photo-astrometric data (including also the new Gaia XP spectra). For training we use an enhanced high-quality dataset compiled from Gaia DR3 and ground-based spectroscopic survey data covering the whole sky and all Galactic components. We show that even with a simple neural-network architecture or tree-based algorithm (and in the absence of Gaia XP spectra), we succeed in predicting competitive results (compared to Bayesian isochrone fitting) down to faint magnitudes. We will present a new Gaia DR3 stellar-parameter catalogue obtained using the currently best-performing machine-learning algorithm for tabular data, XGBoost, in the near future.
• Abstract（参考訳）: 2022年6月に発表された gaia data release 3 (dr3) は、10億以上の恒星に対して様々な天体計測、測光、分光測定を行う。 データの豊かさと複雑さは、gaiaデータセット全体の恒星パラメータをほぼ禁止する従来のアプローチである。 我々は、新しいガイアXPスペクトルを含む分光-光天文データから、基本星パラメータと距離と視線絶滅を抽出するための異なる教師付き学習手法を探索した。 トレーニングには、gaia dr3からコンパイルされた改良された高品質データセットと、全天と全銀河成分をカバーする地上分光調査データを使用します。 単純なニューラルネットアーキテクチャやツリーベースのアルゴリズム(そしてガイアXPスペクトルが存在しない場合)でさえ、競争結果(ベイズアイソクロンフィッティングと比較)を微妙な大きさまで予測することに成功していることを示す。 近いうちに,表型データのための機械学習アルゴリズムであるXGBoostを用いて,Gaia DR3 stellar-parameterカタログを新たに提案する。

関連論文リスト

• Leveraging Deep Learning for Time Series Extrinsic Regression in predicting photometric metallicity of Fundamental-mode RR Lyrae Stars [0.20332580380956125]
  我々はガイア光Gバンドの光曲線から基本モード(ab型)RRリレー星の金属度を推定する新しい手法を開発した。 我々のディープラーニングモデルは、平均絶対誤差(MAE)が0.0565である顕著な予測性能を示した。 我々の研究は、天文学研究における深層学習の重要性を、特にガイアのようなミッションからの大規模なデータセットで浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-10-23T14:26:35Z)
• Astrometric Binary Classification Via Artificial Neural Networks [0.0]
  人工ニューラルネットワーク(ANN)を用いて、星の集合が天文的二元対に属するか否かを自動分類する機械学習(ML)手法を提案する。 ANNは99.3%の精度、0.988の精度、0.991のリコール率、0.999のAUCを高い分類スコアで達成している。
  論文  参考訳（メタデータ） (2024-09-15T00:34:30Z)
• 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)
• Historical Astronomical Diagrams Decomposition in Geometric Primitives [13.447991818689463]
  我々は、XII世紀からXVIII世紀にかけての様々な伝統から、303の天文図のユニークなデータセットを紹介した。 我々はDINO-DETR上に構築されたモデルを構築し、複数の幾何学的プリミティブの予測を可能にする。 提案手法は,複数のプリミティブに対して有意義なパラメトリゼーションを導入することにより,ラインに制限されたLETRベースラインを改良する。
  論文  参考訳（メタデータ） (2024-03-13T17:20:25Z)
• 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)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Identifying Exoplanets with Deep Learning. V. Improved Light Curve Classification for TESS Full Frame Image Observations [1.4060799411474627]
  本稿では,第1次ミッションと第1次拡張ミッションの全フレーム画像からの光曲線と,Box Least Squaresで検出された周期信号を含むデータセットを提案する。 データセットは、完全な手作業によるレビュープロセスを使用して、Astronet-Triage-v2と呼ばれるニューラルネットワークのトレーニングに使用された。 Astronet-Triage-v2は4140TOIのうち3577をリカバリでき、Astronet-Triageは3349ターゲットを同じ精度でリカバリできる。
  論文  参考訳（メタデータ） (2023-01-03T21:58:13Z)
• 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)
• 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)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• MonoDistill: Learning Spatial Features for Monocular 3D Object Detection [80.74622486604886]
  本稿では,LiDAR信号からの空間情報を単分子3D検出器に導入するための簡易かつ効果的な手法を提案する。 得られたデータを用いて、ベースラインモデルと同じアーキテクチャで3D検出器をトレーニングする。 実験の結果,提案手法はベースラインモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-26T09:21:41Z)

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。