論文の概要: Weakly-Supervised Anomaly Detection in the Milky Way

• arxiv url: http://arxiv.org/abs/2305.03761v1
• Date: Fri, 5 May 2023 18:00:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 19:42:17.433922
• Title: Weakly-Supervised Anomaly Detection in the Milky Way
• Title（参考訳）: 銀河系における弱教師付き異常検出
• Authors: Mariel Pettee, Sowmya Thanvantri, Benjamin Nachman, David Shih, Matthew R. Buckley, Jack H. Collins
• Abstract要約: 我々は、ガイア衛星が観測した10億個以上の天の川の中で、冷たい恒星の流れを識別するために、分類なしラベル (CWoLa) を用いている。 CWoLaはラベル付きストリームや天体物理学の原理の知識を使わずに動作する。 この手法は、天体物理学だけでなく、局所的な異常を識別することに関心のある他の領域にも幅広い適用性を持つ可能性がある。
• 参考スコア（独自算出の注目度）: 1.3375143521862154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale astrophysics datasets present an opportunity for new machine learning techniques to identify regions of interest that might otherwise be overlooked by traditional searches. To this end, we use Classification Without Labels (CWoLa), a weakly-supervised anomaly detection method, to identify cold stellar streams within the more than one billion Milky Way stars observed by the Gaia satellite. CWoLa operates without the use of labeled streams or knowledge of astrophysical principles. Instead, we train a classifier to distinguish between mixed samples for which the proportions of signal and background samples are unknown. This computationally lightweight strategy is able to detect both simulated streams and the known stream GD-1 in data. Originally designed for high-energy collider physics, this technique may have broad applicability within astrophysics as well as other domains interested in identifying localized anomalies.
• Abstract（参考訳）: 大規模な天体物理学データセットは、従来の検索で見過ごされる可能性のある領域を識別する新しい機械学習テクニックの機会を提供する。 この目的のために、gaia衛星が観測した10億以上の天の川銀河内の冷たい恒星流を識別するために、弱い教師付き異常検出法であるラベルなし分類(cwola)を用いる。 CWoLaはラベル付きストリームや天体物理学の原理の知識を使わずに動作する。 その代わり、信号と背景サンプルの比率が不明な混合サンプルを区別するために分類器を訓練する。 この計算に軽量な戦略は、データ内のシミュレーションストリームと既知のストリームgd-1の両方を検出できる。 もともと高エネルギーコライダー物理学のために設計されたこの手法は、天体物理学だけでなく、局所的な異常を識別することに関心のある他の領域にも適用可能である。

関連論文リスト

• 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アプローチを開発する。 提案手法は, 最大1時間までの非常に長い信号にスケールし, 次世代地上・宇宙用検出器のデータ解析の青写真として機能する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients [0.0]
  リアルタイム異常検出は、大規模な天文学調査の時代に稀な過渡期を識別するために不可欠である。 現在、天文学的トランジェントに対するほとんどの異常検出アルゴリズムは、光曲線から抽出された手作りの特徴に依存している。 本稿では,異常検出のための潜在空間としてニューラルネットワーク分類器の最後層を用いる,異常検出のための代替手法を提案する。
  論文  参考訳（メタデータ） (2024-03-21T18:00:00Z)
• Searching for Novel Chemistry in Exoplanetary Atmospheres using Machine Learning for Anomaly Detection [1.8434042562191815]
  我々は、異常検出のための機械学習(ML)技術の太陽系外惑星トランジットスペクトルへの応用を提唱する。 合成スペクトルの大規模公開データベース上での2つの一般的な異常検出手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-15T07:19:54Z)
• 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)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Sensitivity Estimation for Dark Matter Subhalos in Synthetic Gaia DR2 using Deep Learning [0.0]
  本稿では, ダークマターサブハロの通過によって位相空間分布が乱れうる恒星を, 機械学習を用いて検出する課題について述べる。 まず、異常検出アルゴリズムを用いて、シミュレーション銀河の摂動の大きさを定量化する。 約50億個の合成星オブザーバブルに最適化された分類アルゴリズムは、軽度だが非ゼロ感度を示す。
  論文  参考訳（メタデータ） (2022-03-15T18:00:02Z)
• Anomaly Detection via Self-organizing Map [52.542991004752]
  製品品質管理のための工業生産において,異常検出が重要な役割を担っている。 従来の異常検出方法は、限定的な一般化能力を持つルールベースである。 教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
  論文  参考訳（メタデータ） (2021-07-21T06:56:57Z)
• A Deep Learning Approach for Active Anomaly Detection of Extragalactic Transients [1.7152709285783647]
  本稿では,シミュレーションしたルビン天文台の銀河外過渡現象をエンコードする変分リカレントオートエンコーダニューラルネットワークを提案する。 1,129,184のイベントを,孤立林を用いて推定した異常スコアに基づいてランク付けした。 我々のアルゴリズムは、ピーク前にこれらの過渡現象を異常と識別することができ、リアルタイムの追従研究を可能にしている。
  論文  参考訳（メタデータ） (2021-03-22T18:02:19Z)
• Identifying nonclassicality from experimental data using artificial neural networks [52.77024349608834]
  ニューラルネットワークをトレーニングして、古典的および非古典的状態とを、その二次的測定分布から分類する。 光の状態の異なる実実験的な二次データから古典的特徴や非古典的特徴を正確に識別できることを示す。
  論文  参考訳（メタデータ） (2021-01-18T15:12:47Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

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。