論文の概要: E(2) Equivariant Neural Networks for Robust Galaxy Morphology Classification

• arxiv url: http://arxiv.org/abs/2311.01500v1
• Date: Thu, 2 Nov 2023 18:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 16:12:06.705536
• Title: E(2) Equivariant Neural Networks for Robust Galaxy Morphology Classification
• Title（参考訳）: E(2)ロバスト銀河形態分類のための同変ニューラルネットワーク
• Authors: Sneh Pandya, Purvik Patel, Franc O, Jonathan Blazek
• Abstract要約: 我々は、Galaxy10 DECalsデータセット上で$E(2)$の離散サブグループに同値なGCNNを訓練し、検証し、テストする。 D_16$に同値なアーキテクチャは、テストセットの精度が9,5.52 pm 0.18%である。 全てのGCNNは、同一に構築されたCNNよりも1ピクセルの摂動の影響を受けにくい。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose the use of group convolutional neural network architectures (GCNNs) equivariant to the 2D Euclidean group, $E(2)$, for the task of galaxy morphology classification by utilizing symmetries of the data present in galaxy images as an inductive bias in the architecture. We conduct robustness studies by introducing artificial perturbations via Poisson noise insertion and one-pixel adversarial attacks to simulate the effects of limited observational capabilities. We train, validate, and test GCNNs equivariant to discrete subgroups of $E(2)$ - the cyclic and dihedral groups of order $N$ - on the Galaxy10 DECals dataset and find that GCNNs achieve higher classification accuracy and are consistently more robust than their non-equivariant counterparts, with an architecture equivariant to the group $D_{16}$ achieving a $95.52 \pm 0.18\%$ test-set accuracy. We also find that the model loses $<6\%$ accuracy on a $50\%$-noise dataset and all GCNNs are less susceptible to one-pixel perturbations than an identically constructed CNN. Our code is publicly available at https://github.com/snehjp2/GCNNMorphology.
• Abstract（参考訳）: 本研究では,銀河画像に含まれるデータの対称性をインダクティブバイアスとして利用することにより,銀河形態分類の課題として,2次元ユークリッド群と等価なグループ畳み込みニューラルネットワークアーキテクチャ (gcnns) の利用を提案する。 本研究では,poissonノイズ挿入と1画素逆攻撃による人工摂動を導入することで,観測能力の制限による影響をシミュレートし,ロバスト性の研究を行う。 我々は、ギャラクシー10デカルスデータセット上の順序の巡回群および二面体群である $e(2)$ の離散部分群に対して、gcnn を訓練、検証、テストし、gcnn が分類精度が高く、非同値な部分群よりも一貫して頑健であることを見出し、$d_{16}$ のグループに同変したアーキテクチャで 9.52 \pm 0.18\%$ テストセット精度を達成する。 また、50\%$-noiseデータセットでは、モデルが$<6\%$の精度を失い、すべてのGCNNは、同一に構築されたCNNよりも1ピクセルの摂動の影響を受けにくいことがわかった。 私たちのコードはhttps://github.com/snehjp2/gcnnmorphologyで公開されています。

関連論文リスト

• Role of Locality and Weight Sharing in Image-Based Tasks: A Sample Complexity Separation between CNNs, LCNs, and FCNs [42.551773746803946]
  視覚タスクは局所性と翻訳不変性の特性によって特徴づけられる。 これらのタスクにおける畳み込みニューラルネットワーク(CNN)の優れた性能は、そのアーキテクチャに埋め込まれた局所性や重み付けの帰納的バイアスに起因する。 CNNにおけるこれらのバイアスの統計的利点を、局所連結ニューラルネットワーク(LCN)と完全連結ニューラルネットワーク(FCN)で定量化しようとする試みは、以下のカテゴリに分類される。
  論文  参考訳（メタデータ） (2024-03-23T03:57:28Z)
• Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and Applications [7.322121417864824]
  我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。 これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。 神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
  論文  参考訳（メタデータ） (2023-05-26T06:02:31Z)
• On the Identifiability and Estimation of Causal Location-Scale Noise Models [122.65417012597754]
  位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。 症例によっては, 因果方向が同定可能であることが示唆された。 我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
  論文  参考訳（メタデータ） (2022-10-13T17:18:59Z)
• Coin Flipping Neural Networks [8.009932864430901]
  ランダム性を持つニューラルネットワークは、増幅を用いて決定論的ネットワークより優れていることを示す。 我々は、ほとんどの分類問題に対して、決定論的ネットワークよりも高い精度または少ないニューロンでそれらを解くCFNNが存在すると推測する。
  論文  参考訳（メタデータ） (2022-06-18T11:19:44Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Homogeneous vector bundles and $G$-equivariant convolutional neural networks [0.0]
  G$-equivariant convolutional Neural Network (GCNN) は、均一な$G$-space $mathcalM$で定義されたデータの幾何学的深層学習モデルである。 本稿では、一モジュラーリー群 $G$ およびコンパクト部分群 $K leq G$ の場合、同次空間 $mathcalM = G/K$ 上の GCNN を解析する。
  論文  参考訳（メタデータ） (2021-05-12T02:06:04Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)
• 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)

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。