論文の概要: Asteroids co-orbital motion classification based on Machine Learning
- arxiv url: http://arxiv.org/abs/2309.10603v1
- Date: Tue, 19 Sep 2023 13:19:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 14:25:02.201722
- Title: Asteroids co-orbital motion classification based on Machine Learning
- Title(参考訳): 機械学習に基づく小惑星共軌道運動分類
- Authors: Giulia Ciacci and Andrea Barucci and Sara Di Ruzza and Elisa Maria
Alessi
- Abstract要約: 我々は、JPLホライズンズ系の実際の小惑星の自転を捉え、惑星との平均運動共鳴における4つの異なる動きについて考察する。
変数テータの時系列は、その問題に対してアドホックを定義したデータ解析パイプラインを用いて研究される。
我々は,アルゴリズムが時系列を高い性能で正確に識別し,分類する方法を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we explore how to classify asteroids in co-orbital motion with
a given planet using Machine Learning. We consider four different kinds of
motion in mean motion resonance with the planet, nominally Tadpole, Horseshoe
and Quasi-satellite, building 3 datasets defined as Real (taking the
ephemerides of real asteroids from the JPL Horizons system), Ideal and
Perturbed (both simulated, obtained by propagating initial conditions
considering two different dynamical systems) for training and testing the
Machine Learning algorithms in different conditions.
The time series of the variable theta (angle related to the resonance) are
studied with a data analysis pipeline defined ad hoc for the problem and
composed by: data creation and annotation, time series features extraction
thanks to the tsfresh package (potentially followed by selection and
standardization) and the application of Machine Learning algorithms for
Dimensionality Reduction and Classification. Such approach, based on features
extracted from the time series, allows to work with a smaller number of data
with respect to Deep Learning algorithms, also allowing to define a ranking of
the importance of the features. Physical Interpretability of the features is
another key point of this approach. In addition, we introduce the SHapley
Additive exPlanations for Explainability technique.
Different training and test sets are used, in order to understand the power
and the limits of our approach. The results show how the algorithms are able to
identify and classify correctly the time series, with a high degree of
performance.
- Abstract(参考訳): 本研究では、機械学習を用いて、小惑星の軌道運動と惑星との分類方法について検討する。
そこで我々は,惑星との平均運動共鳴における4つの異なる動きについて考察し,3つのデータセットをReal(JPLホライズンズ・システムからの小惑星の自転)、Ideal and Perturbed(2つの異なる力学系を考慮した初期条件の伝播)で構築し,機械学習アルゴリズムを異なる条件で訓練・テストする。
データ作成とアノテーション、tsfreshパッケージによる時系列特徴抽出(潜在的に選択と標準化が続く)、および次元の縮小と分類のための機械学習アルゴリズムの適用により構成される、問題のアドホックを定義するデータ解析パイプラインを用いて、可変テタ(共振に関連する角度)の時系列を解析する。
このようなアプローチは、時系列から抽出した特徴に基づいて、ディープラーニングアルゴリズムに関してより少ないデータを扱うことが可能であり、特徴の重要性のランキングを定義することもできる。
特徴の物理的解釈可能性もこのアプローチの重要なポイントである。
また,SHapley Additive exPlanations for Explainabilityについて紹介する。
私たちのアプローチのパワーと限界を理解するために、さまざまなトレーニングとテストセットが使用されます。
その結果,アルゴリズムが時系列を正しく識別・分類し,高い性能を発揮できることを示した。
関連論文リスト
- Identifying Light-curve Signals with a Deep Learning Based Object
Detection Algorithm. II. A General Light Curve Classification Framework [0.0]
弱教師付き物体検出モデルを用いて光曲線を分類するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,光曲線とパワースペクトルの両方に最適なウィンドウを自動同定し,対応するデータにズームインする。
我々は、変動星と過渡星の宇宙と地上の両方のマルチバンド観測から得られたデータセットに基づいてモデルを訓練する。
論文 参考訳(メタデータ) (2023-11-14T11:08:34Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳(メタデータ) (2022-08-26T04:28:01Z) - An example of use of Variational Methods in Quantum Machine Learning [0.0]
本稿では,平面上の特定の幾何学的パターンの点を二項分類する量子ニューラルネットワークを提案する。
その意図は、ポイントを正しく認識し分類できる最小限のトレーニング可能なパラメータを持つ量子ディープニューラルネットワークを作ることであった。
論文 参考訳(メタデータ) (2022-08-07T03:52:42Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - Towards Similarity-Aware Time-Series Classification [51.2400839966489]
時系列データマイニングの基本課題である時系列分類(TSC)について検討する。
グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
論文 参考訳(メタデータ) (2022-01-05T02:14:57Z) - Time Series Data Mining Algorithms Towards Scalable and Real-Time
Behavior Monitoring [1.0878040851638]
センサから収集した弱いラベル付き時系列データにおいて,形状と特徴量の両方を用いて行動の分類を行うハイブリッドアルゴリズムを提案する。
我々のアルゴリズムは,形状と特徴の組み合わせに基づいて,実・雑音・複雑なデータセットを頑健に分類できることを実証する。
論文 参考訳(メタデータ) (2021-12-26T11:13:52Z) - Machine Learning Classification of Kuiper Belt Populations [0.0]
太陽系外惑星では、カイパーベルトは惑星の形成と移動と現在の巨大惑星構成からの重力摂動の組み合わせによって彫刻された動的サブ集団を含んでいる。
ここでは、機械学習アルゴリズムが、この分類に必要な計算時間と人的労力の両方を削減するための有望なツールであることを実証する。
論文 参考訳(メタデータ) (2020-07-07T18:19:03Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z) - A meta-algorithm for classification using random recursive tree
ensembles: A high energy physics application [0.0]
本研究の目的は,個別のバイナリクラスの存在下での自動分類のためのメタアルゴリズムを提案することである。
重なり合うクラスは、両方のクラスに属する高密度の点を持つ特徴空間におけるあいまいな領域の存在によって記述される。
提案したアルゴリズムは、実験物理学において最も成功した解析手法の1つである古典的な強化決定木の変種である。
論文 参考訳(メタデータ) (2020-01-19T18:22:18Z) - CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。
複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。
探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
論文 参考訳(メタデータ) (2020-01-08T17:37:01Z)
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。