論文の概要: Machine Learning Assisted Dynamical Classification of Trans-Neptunian Objects
- arxiv url: http://arxiv.org/abs/2405.05185v1
- Date: Wed, 8 May 2024 16:20:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 14:05:10.121758
- Title: Machine Learning Assisted Dynamical Classification of Trans-Neptunian Objects
- Title（参考訳）: 機械学習による海進物体の動的分類
- Authors: Kathryn Volk, Renu Malhotra,
- Abstract要約: TNO(Trans-Neptunian objects)は、太陽系外惑星の小さな氷の天体である。
伝統的に分類は、軌道パラメータの時間進化のプロットの人間の検査によって行われてきた。
本稿では,TNOのための教師付き機械学習分類器を提案する。
- 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: Trans-Neptunian objects (TNOs) are small, icy bodies in the outer solar system. They are observed to have a complex orbital distribution that was shaped by the early dynamical history and migration of the giant planets. Comparisons between the different dynamical classes of modeled and observed TNOs can help constrain the history of the outer solar system. Because of the complex dynamics of TNOs, particularly those in and near mean motion resonances with Neptune, classification has traditionally been done by human inspection of plots of the time evolution of orbital parameters. This is very inefficient. The Vera Rubin Observatory's Legacy Survey of Space and Time (LSST) is expected to increase the number of known TNOs by a factor of $\sim$10, necessitating a much more automated process. In this chapter we present an improved supervised machine learning classifier for TNOs. Using a large and diverse training set as well as carefully chosen, dynamically motivated data features calculated from numerical integrations of TNO orbits, our classifier returns results that match those of a human classifier 98% of the time, and dynamically relevant classifications 99.7% of the time. This classifier is dramatically more efficient than human classification, and it will improve classification of both observed and modeled TNO data.
- Abstract（参考訳）: TNO(Trans-Neptunian objects)は、太陽系外惑星の小さな氷の天体である。
それらは、初期の動的歴史と巨大惑星の移動によって形成された複雑な軌道分布を持っていることが観察されている。
モデル化されたTNOと観測されたTNOの異なる力学クラスの比較は、太陽系外惑星の歴史を制約する助けとなる。
TNOの複雑なダイナミクス、特に海王星と海王星の前後の平均運動共鳴のため、伝統的に軌道パラメータの時間進化のプロットを人間の検査によって分類されてきた。
これは非常に非効率です。
Vera Rubin Observatory's Legacy Survey of Space and Time (LSST) は、既知のTNOの数を$\sim$10に増やし、より自動化されたプロセスを必要とすると予測されている。
本章では,TNOに対する教師付き機械学習分類器の改良について述べる。
大規模で多様なトレーニングセットと、慎重に選択されたTNO軌道の数値積分から計算された動的モチベーション付きデータ特徴を用いて、分類器は、人間の分類器の98%と、その時間の99.7%を動的に関連づけた分類結果を返す。
この分類器は人間の分類よりも劇的に効率的であり、観測されたTNOデータとモデル化されたTNOデータの分類を改善する。
関連論文リスト
- Bias in Motion: Theoretical Insights into the Dynamics of Bias in SGD Training [7.5041863920639456]
機械学習システムは、データの望ましくない特徴を活用してバイアスを取得し、異なるサブポピュレーションの精度に影響を与えることが多い。
本稿では, ガウス混合モデルを用いて, 教師学生によるデータサブポピュレーションのモデル化におけるバイアスの進化について検討する。
この発見を公平性と堅牢性に適用することで、不均一なデータと突発的な特徴がバイアスを発生し増幅する方法について、いつ、どのように、どのように、どのようにして、そして、どのようにして、そのバイアスを増大させるかを説明します。
論文 参考訳（メタデータ） (2024-05-28T15:50:10Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - Learning to Jump: Thinning and Thickening Latent Counts for Generative
Modeling [69.60713300418467]
ジャンプの学習は、様々な種類のデータの生成モデリングのための一般的なレシピである。
ジャンプの学習が、デノゼの学習と相容れないパフォーマンスを期待される場合と、より良いパフォーマンスを期待される場合を実証する。
論文 参考訳（メタデータ） (2023-05-28T05:38:28Z) - Optimization of Artificial Neural Networks models applied to the
identification of images of asteroids' resonant arguments [0.6449761153631166]
近年の研究では、畳み込みニューラルネットワーク(CNN)モデルを使用して、そのようなタスクを自動的に実行している。
このようなモデルの結果を、VGG、Inception、ResNetなど、最も先進的で一般公開されているCNNアーキテクチャの結果と比較する。
VGGモデルは、正規化と非正規化により、大規模なデータセットのラベルを予測する最も効率的な方法であることが判明した。
論文 参考訳（メタデータ） (2022-07-28T15:46:39Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Evolutionary Echo State Network: evolving reservoirs in the Fourier
space [1.7658686315825685]
エコー状態ネットワーク(英語: Echo State Network, ESN)は、多数の隠れ隠れ重みを持つリカレントニューラルネットワークのクラスである(いわゆる貯水池)。
本研究では、フーリエ空間の貯水量を表すESN型の新しい計算モデルを提案し、周波数領域に遺伝的アルゴリズムを適用することで、これらの重みを微調整する。
論文 参考訳（メタデータ） (2022-06-10T08:59:40Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - JKOnet: Proximal Optimal Transport Modeling of Population Dynamics [69.89192135800143]
入力凸ニューラルネットワーク(ICNN)を用いて解いた(小さな)最適変位と測定値のエネルギーモデルを組み合わせたニューラルアーキテクチャを提案する。
人口動態の説明と予測のためのモデルの適用性を実証する。
論文 参考訳（メタデータ） (2021-06-11T12:30:43Z) - GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。
リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。
この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文 参考訳（メタデータ） (2021-04-07T01:08:18Z) - Machine Learning for Searching the Dark Energy Survey for
Trans-Neptunian Objects [0.0]
ダークエネルギーサーベイ(DES)データ中のTNO(Trans-Neptunian Objects)の探索効率を機械学習により向上させる方法について検討した。
論文 参考訳（メタデータ） (2020-09-27T14:36:37Z) - 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)
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。