論文の概要: VisRec: A Semi-Supervised Approach to Radio Interferometric Data Reconstruction

• arxiv url: http://arxiv.org/abs/2403.00897v1
• Date: Fri, 1 Mar 2024 16:27:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 15:54:43.936340
• Title: VisRec: A Semi-Supervised Approach to Radio Interferometric Data Reconstruction
• Title（参考訳）: visrec:電波干渉データ再構成のための半教師ありアプローチ
• Authors: Ruoqi Wang, Haitao Wang, Qiong Luo, Feng Wang and Hejun Wu
• Abstract要約: VisRecは、可視性データの再構築のためのモデルに依存しない半教師付き学習手法である。 比較として、VisRecの教師なし学習モジュールは、ラベルなしデータを増強し、拡張されていない可視データからの再構成をトレーニング用の擬似ラベルとして使用する。 評価の結果,VisRecは再建品質においてすべての基準手法より優れていた。
• 参考スコア（独自算出の注目度）: 6.034336456809555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radio telescopes produce visibility data about celestial objects, but these data are sparse and noisy. As a result, images created on raw visibility data are of low quality. Recent studies have used deep learning models to reconstruct visibility data to get cleaner images. However, these methods rely on a substantial amount of labeled training data, which requires significant labeling effort from radio astronomers. Addressing this challenge, we propose VisRec, a model-agnostic semi-supervised learning approach to the reconstruction of visibility data. Specifically, VisRec consists of both a supervised learning module and an unsupervised learning module. In the supervised learning module, we introduce a set of data augmentation functions to produce diverse training examples. In comparison, the unsupervised learning module in VisRec augments unlabeled data and uses reconstructions from non-augmented visibility data as pseudo-labels for training. This hybrid approach allows VisRec to effectively leverage both labeled and unlabeled data. This way, VisRec performs well even when labeled data is scarce. Our evaluation results show that VisRec outperforms all baseline methods in reconstruction quality, robustness against common observation perturbation, and generalizability to different telescope configurations.
• Abstract（参考訳）: 電波望遠鏡は天体の可視性データを生成するが、これらのデータはばらばらでノイズが多い。 その結果、生の可視性データ上に作成された画像の品質が低下する。 近年の研究では、よりクリーンな画像を得るために、深層学習モデルを用いて可視性データを再構築している。 しかし、これらの手法は大量のラベル付きトレーニングデータに依存しており、電波天文学者によるかなりのラベル付けの努力を必要とする。 この課題に対処するため、可視化データの再構築のためのモデルに依存しない半教師あり学習手法VisRecを提案する。 具体的には、VisRecは教師なし学習モジュールと教師なし学習モジュールの両方で構成されている。 教師付き学習モジュールでは,様々な学習例を生成するために,データ拡張関数のセットを導入する。 比較として、visrecの教師なし学習モジュールはラベルなしのデータを強化し、教師なし視認性データからの再構成をトレーニング用の擬似ラベルとして使用する。 このハイブリッドアプローチにより、VisRecはラベル付きデータとラベルなしデータの両方を効果的に活用できる。 このように、ラベル付きデータが不足している場合でも、VisRecはうまく機能する。 評価の結果, VisRecは, 再現性, 共通の観測摂動に対する頑健性, 望遠鏡構成の一般化性などにおいて, 基本手法のすべてに優れることがわかった。

関連論文リスト

• Adaptive Masking Enhances Visual Grounding [12.793586888511978]
  ローショット学習シナリオにおける語彙接地を改善するために,ガウス放射変調を用いた画像解釈型マスキングを提案する。 我々はCOCOやODinWを含むベンチマークデータセットに対するアプローチの有効性を評価し、ゼロショットタスクや少数ショットタスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-04T05:48:02Z)
• Exploring the Evolution of Hidden Activations with Live-Update Visualization [12.377279207342735]
  我々は、トレーニング中に隠された表現の進行を明らかにする自動化されたリアルタイム可視化ツールであるSentryCamを紹介した。 以上の結果から, この可視化は, 基礎的指標と比較して, 学習のダイナミクスをより包括的に把握できることが示唆された。 SentryCamは、タスク転送や破滅的な忘れなど、継続的な学習環境への詳細な分析を容易にすることができる。
  論文  参考訳（メタデータ） (2024-05-24T01:23:20Z)
• Learning Cross-view Visual Geo-localization without Ground Truth [48.51859322439286]
  CVGL(Cross-View Geo-Localization)は、クエリ画像の地理的位置を対応するGPSタグ付き参照画像とマッチングすることで決定する。 現在の最先端の手法は、ラベル付きペア画像によるトレーニングモデルに依存しており、かなりのアノテーションコストとトレーニングの負担が伴う。 CVGLにおける凍結モデルの適用について,真理ペアラベルを必要とせずに検討する。
  論文  参考訳（メタデータ） (2024-03-19T13:01:57Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• MILD: Modeling the Instance Learning Dynamics for Learning with Noisy Labels [19.650299232829546]
  クリーンなデータを特定するために,Weibull混合モデルに基づく反復的選択手法を提案する。 特に、誤分類と暗記の間の遷移時間を通じて、各インスタンスの暗記の難しさを測定し、暗記する。 我々の戦略は既存の雑音ラベル学習方法より優れている。
  論文  参考訳（メタデータ） (2023-06-20T14:26:53Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Laplacian Denoising Autoencoder [114.21219514831343]
  本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。 勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。 いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
  論文  参考訳（メタデータ） (2020-03-30T16:52:39Z)

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。