論文の概要: Stellar Spectra Fitting with Amortized Neural Posterior Estimation and
nbi
- arxiv url: http://arxiv.org/abs/2312.05687v1
- Date: Sat, 9 Dec 2023 21:30:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 19:25:46.272927
- Title: Stellar Spectra Fitting with Amortized Neural Posterior Estimation and
nbi
- Title（参考訳）: Amortized Neural Posterior Estimation と nbi を用いたステラースペクトル測定
- Authors: Keming Zhang, Tharindu Jayasinghe, Joshua S. Bloom
- Abstract要約: APOGEEサーベイのためのANPEモデルをトレーニングし、モックスペクトルと実恒星スペクトルの両方で有効性を示す。
スペクトルデータに固有の計測ノイズ特性を効果的に処理する手法を提案する。
我々はANPEの「モデル動物園」の有用性について論じる。そこでは、モデルは特定の楽器のために訓練され、nbiフレームワークの下で配布される。
- 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: Modern surveys often deliver hundreds of thousands of stellar spectra at
once, which are fit to spectral models to derive stellar parameters/labels.
Therefore, the technique of Amortized Neural Posterior Estimation (ANPE) stands
out as a suitable approach, which enables the inference of large number of
targets as sub-linear/constant computational costs. Leveraging our new nbi
software package, we train an ANPE model for the APOGEE survey and demonstrate
its efficacy on both mock and real APOGEE stellar spectra. Unique to the nbi
package is its out-of-the-box functionality on astronomical inverse problems
with sequential data. As such, we have been able to acquire the trained model
with minimal effort. We introduce an effective approach to handling the
measurement noise properties inherent in spectral data, which utilizes the
actual uncertainties in the observed data. This allows training data to
resemble observed data, an aspect that is crucial for ANPE applications. Given
the association of spectral data properties with the observing instrument, we
discuss the utility of an ANPE "model zoo," where models are trained for
specific instruments and distributed under the nbi framework to facilitate
real-time stellar parameter inference.
- Abstract（参考訳）: 現代の調査では、数十万の恒星のスペクトルが同時に観測され、スペクトルモデルに適合して恒星のパラメータ/ラベルが導出される。
したがって、Amortized Neural Posterior Estimation (ANPE) の手法は、多数のターゲットをサブ線形/コンスタント計算コストとして推定できる適切なアプローチとして重要である。
新しいnbiソフトウェアパッケージを活用して、APOGEEサーベイ用のANPEモデルをトレーニングし、モックと実際のAPOGEE恒星スペクトルの両方で有効性を示す。
nbiパッケージのユニークな特徴は、シーケンシャルデータによる天文学的な逆問題に対する既定の機能である。
そのため、最小限の労力でトレーニングモデルを取得することができました。
本研究では,観測データの実際の不確実性を利用したスペクトルデータに固有な測定ノイズ特性を扱うための効果的な手法を提案する。
これによってトレーニングデータは、ANPEアプリケーションにとって重要な側面である観測データに類似することが可能になる。
スペクトルデータ特性と観測機器の関連付けを考えると、モデルが特定の機器のために訓練され、nbiフレームワークの下で配布され、リアルタイムの恒星パラメータ推論を容易にするanpe「モデル動物園」の有用性について議論する。
関連論文リスト
- SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチ時間データセットであるSpectralEarthを紹介する。
我々は、最先端の自己教師付き学習(SSL)アルゴリズムを用いて、SpectralEarthの一連の基礎モデルを事前訓練する。
我々は、土地被覆と収穫型マッピングのための4つの下流データセットを構築し、モデル評価のためのベンチマークを提供する。
論文 参考訳（メタデータ） (2024-08-15T22:55:59Z) - Inferring Atmospheric Properties of Exoplanets with Flow Matching and
Neural Importance Sampling [10.847353970405285]
大気の探査は、観測された光スペクトルから大気パラメータを推定することで外惑星を特徴づける。
ネストサンプリングのような従来の手法は計算コストが高く、機械学習(ML)に基づくソリューションへの関心を喚起する。
まず、新しいMLベースのAR手法として、フローマッチング後推定(FMPE)について検討し、その場合、神経後推定(NPE)よりも正確であることを示す。
次に、FMPEとNPEを併用して重要サンプリングを行い、どちらの手法も精度とシミュレーション効率においてネストサンプリングに優れることを示した。
論文 参考訳（メタデータ） (2023-12-13T17:12:03Z) - nbi: the Astronomer's Package for Neural Posterior Estimation [0.0]
我々は,新たなフレームワークとオープンソースソフトウェア nbi (Neural Bayesian Inference) を導入し,アモータライズとシーケンシャルNPEの両方をサポートする。
第一に、nbiはライトカーブやスペクトルといったシーケンシャルなデータに有効性を持たせるネットワークを内蔵しているため、ユーザ側でカスタマイズする必要がなくなる。
第2に,NPEに基づく後部推論を重要サンプリングのための提案分布としてのみ使用することにより,正確な後部推論を実現するアルゴリズムSNPE-ISを導入する。
論文 参考訳（メタデータ） (2023-12-06T19:00:00Z) - 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) - deep-REMAP: Parameterization of Stellar Spectra Using Regularized
Multi-Task Learning [0.0]
確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$)
我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2023-11-07T05:41:48Z) - Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。
我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-09-14T00:40:07Z) - O-type Stars Stellar Parameter Estimation Using Recurrent Neural
Networks [0.0]
これまでの研究では、恒星モデルに適合する信頼性の高い方法を確立するために、機械学習とディープラーニングのアルゴリズムのセットを比較した。
本稿では,ニューラルネットワークの観点から,個々の物理パラメータを推定する方法について述べる。
3つの異なるリカレントニューラルネットワークシステムの開発、恒星スペクトルモデルを用いたトレーニングプロセス、9つの異なる観測された恒星スペクトルに対するテスト、および過去の研究における推定との比較について述べる。
論文 参考訳（メタデータ） (2022-10-23T17:18:52Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳（メタデータ） (2022-09-20T15:18:13Z) - Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing
Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。
我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。
我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文 参考訳（メタデータ） (2022-07-14T10:04:18Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - Deep Autoregressive Models with Spectral Attention [74.08846528440024]
本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。
時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。
時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
論文 参考訳（メタデータ） (2021-07-13T11:08:47Z)
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。