論文の概要: Selection functions of strong lens finding neural networks
- arxiv url: http://arxiv.org/abs/2307.10355v1
- Date: Wed, 19 Jul 2023 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-21 16:00:02.310128
- Title: Selection functions of strong lens finding neural networks
- Title（参考訳）: 強レンズ探索ニューラルネットワークの選択関数
- Authors: A. Herle, C. M. O'Riordan and S. Vegetti
- Abstract要約: レンズ探索ニューラルネットワークの選択関数の理解は、強い重力レンズ系の大きな試料の可能性を十分に実現するための鍵となる。
我々は、銀河ギャラクシーと銀河クエーサーのレンズ探索ニューラルネットワークのトレーニングに使用される3つのトレーニングデータセットを使用する。
レンズ付きクエーサーを見つけるために訓練されたモデルは、レンズ付き銀河を見つけるために訓練されたモデルよりも高いレンズ楕円性を好むことを示している。
- 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: Convolution Neural Networks trained for the task of lens finding with similar
architecture and training data as is commonly found in the literature are
biased classifiers. An understanding of the selection function of lens finding
neural networks will be key to fully realising the potential of the large
samples of strong gravitational lens systems that will be found in upcoming
wide-field surveys. We use three training datasets, representative of those
used to train galaxy-galaxy and galaxy-quasar lens finding neural networks. The
networks preferentially select systems with larger Einstein radii and larger
sources with more concentrated source-light distributions. Increasing the
detection significance threshold to 12$\sigma$ from 8$\sigma$ results in 50 per
cent of the selected strong lens systems having Einstein radii
$\theta_\mathrm{E}$ $\ge$ 1.04 arcsec from $\theta_\mathrm{E}$ $\ge$ 0.879
arcsec, source radii $R_S$ $\ge$ 0.194 arcsec from $R_S$ $\ge$ 0.178 arcsec and
source S\'ersic indices $n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.62 from
$n_{\mathrm{Sc}}^{\mathrm{S}}$ $\ge$ 2.55. The model trained to find lensed
quasars shows a stronger preference for higher lens ellipticities than those
trained to find lensed galaxies. The selection function is independent of the
slope of the power-law of the mass profiles, hence measurements of this
quantity will be unaffected. The lens finder selection function reinforces that
of the lensing cross-section, and thus we expect our findings to be a general
result for all galaxy-galaxy and galaxy-quasar lens finding neural networks.
- Abstract（参考訳）: 同様のアーキテクチャによるレンズ探索のタスクのために訓練された畳み込みニューラルネットワークと、文献でよく見られるようなトレーニングデータにはバイアスド分類器がある。
レンズ発見ニューラルネットワークの選択関数を理解することは、これからの広い視野調査で見つかる強力な重力レンズシステムの大規模なサンプルの可能性を十分に理解するための鍵となるだろう。
我々は、銀河ギャラクシーと銀河クエーサーのレンズ探索ニューラルネットワークのトレーニングに使用される3つのトレーニングデータセットを使用する。
ネットワークは、より大きなアインシュタイン半径を持つシステムと、より集中したソース光分布を持つより大きなソースを選択する。
8$\sigma$ から 12$\sigma$ に引き上げると、アインシュタイン radii $\theta_\mathrm{e}$$\ge$ 1.04 arcsec from $\theta_\mathrm{e}$ $\ge$ 0.879 arcsec, source radii $r_s$ $\ge$ 0.194 arcsec from $r_s$$$\ge$ 0.178 arcsec and source s\'ersic indices $n_{\mathrm{sc}}^{\mathrm{s}}$ $\ge$ 2.62 from $n_{\mathrm{sc}}^{\mathrm{s}}$ $\ge$ 2.55 となる。
レンズ付きクエーサーを見つけるように訓練されたモデルは、レンズ付き銀河を見つけるために訓練されたものよりも高いレンズ楕円性を好む。
選択関数は質量プロファイルのパワーローの傾きとは独立であるため、この量の測定には影響しない。
レンズファインダ選択関数は、レンズ交差断面積を補強するので、我々の発見は、全ての銀河ギャラクシーおよび銀河クエーサーのレンズ探索ニューラルネットワークの一般的な結果であると期待できる。
関連論文リスト
- Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。
RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。
また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
論文 参考訳（メタデータ） (2023-12-18T18:16:30Z) - Streamlined Lensed Quasar Identification in Multiband Images via
Ensemble Networks [34.82692226532414]
強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。
我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。
我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
論文 参考訳（メタデータ） (2023-07-03T15:09:10Z) - When Spectral Modeling Meets Convolutional Networks: A Method for
Discovering Reionization-era Lensed Quasars in Multi-band Imaging Data [0.0]
画像に基づく深層学習により実装された新しい空間幾何学的ベト基準を導入する。
我々は、この手法の最初の応用を、イオン化時代のレンズ付きクエーサーの体系的な探索に適用する。
トレーニングデータセットは、実際の銀河画像の上に偏向した点光源の光を塗って、現実的な銀河クエーサーレンズモデルを生成することで構築される。
論文 参考訳（メタデータ） (2022-11-26T11:27:13Z) - Understanding Deep Neural Function Approximation in Reinforcement
Learning via $\epsilon$-Greedy Exploration [53.90873926758026]
本稿では、強化学習(RL)における深部神経機能近似の理論的研究について述べる。
我々は、Besov(およびBarron)関数空間によって与えられるディープ(および2層)ニューラルネットワークによる$epsilon$-greedy探索により、バリューベースのアルゴリズムに焦点を当てる。
我々の解析は、ある平均測度$mu$の上の$L2(mathrmdmu)$-integrable空間における時間差誤差を再構成し、非イド設定の下で一般化問題に変換する。
論文 参考訳（メタデータ） (2022-09-15T15:42:47Z) - U(1) Symmetry-breaking Observed in Generic CNN Bottleneck Layers [2.1829116024916844]
本稿では, 深部畳み込みニューラルネットワーク(CNN)と生体ビジョン, 基礎粒子物理を結びつける重要な発見について報告する。
CNNにおける情報伝達のモデルが光学系に類似して提案される。
論文 参考訳（メタデータ） (2022-06-05T16:54:04Z) - A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。
MNIST画像データセットがそのような条件を満たすことを数値的に示す。
我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
論文 参考訳（メタデータ） (2021-07-19T23:41:03Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - Extracting the Subhalo Mass Function from Strong Lens Images with Image
Segmentation [0.0]
我々は,画像中のサブハロを探索し,その質量を決定するニューラルネットワークを開発した。
このネットワークは、アインシュタイン環の近くに1つのサブハロを持つ画像に基づいて訓練されている。
注目すべきことに、アインシュタイン環から遠く離れた場所であっても、サブ構造全体の集団を検出することができる。
論文 参考訳（メタデータ） (2020-09-14T18:00:01Z) - Deep Polynomial Neural Networks [77.70761658507507]
$Pi$Netsは拡張に基づいた関数近似の新しいクラスである。
$Pi$Netsは、画像生成、顔検証、および3Dメッシュ表現学習という3つの困難なタスクで、最先端の結果を生成する。
論文 参考訳（メタデータ） (2020-06-20T16:23:32Z) - DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural
Networks [0.0]
シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。
我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。
CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
論文 参考訳（メタデータ） (2020-04-24T20:36:06Z) - $\Pi-$nets: Deep Polynomial Neural Networks [86.36557534288535]
$Pi$-Netsは、出力が入力の高次であるニューラルネットワークである。
我々は、$Pi$-Netsが標準のDCNNよりも優れた表現能力を持っていることを実証的に実証した。
近年のStyleGANのような生成モデルが,先行モデルに改良を加えた理由を解明する。
論文 参考訳（メタデータ） (2020-03-08T18:48:43Z)
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。