論文の概要: Predicting Exoplanetary Features with a Residual Model for Uniform and Gaussian Distributions

• arxiv url: http://arxiv.org/abs/2406.10771v1
• Date: Sun, 16 Jun 2024 01:07:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 21:01:13.361124
• Title: Predicting Exoplanetary Features with a Residual Model for Uniform and Gaussian Distributions
• Title（参考訳）: 一様分布とガウス分布の残留モデルによる太陽系外惑星の特徴予測
• Authors: Andrew Sweet,
• Abstract要約: 2023年のアリエルデータチャレンジは、7つの太陽系外惑星の特徴の後方分布を予測するために開催された。 本稿で概説した手順は,この課題に対処するための2つのディープラーニングモデルの組み合わせを活用している。 均一分布のアンサンブルは、試験中に競合する結果が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancement of technology has led to rampant growth in data collection across almost every field, including astrophysics, with researchers turning to machine learning to process and analyze this data. One prominent example of this data in astrophysics is the atmospheric retrievals of exoplanets. In order to help bridge the gap between machine learning and astrophysics domain experts, the 2023 Ariel Data Challenge was hosted to predict posterior distributions of 7 exoplanetary features. The procedure outlined in this paper leveraged a combination of two deep learning models to address this challenge: a Multivariate Gaussian model that generates the mean and covariance matrix of a multivariate Gaussian distribution, and a Uniform Quantile model that predicts quantiles for use as the upper and lower bounds of a uniform distribution. Training of the Multivariate Gaussian model was found to be unstable, while training of the Uniform Quantile model was stable. An ensemble of uniform distributions was found to have competitive results during testing (posterior score of 696.43), and when combined with a multivariate Gaussian distribution achieved a final rank of third in the 2023 Ariel Data Challenge (final score of 681.57).
• Abstract（参考訳）: 技術の進歩により、天体物理学を含むほぼすべての分野におけるデータ収集が増加し、研究者はこのデータを処理し分析するために機械学習に移行した。 天体物理学におけるこのデータの顕著な例は、外惑星の大気観測である。 機械学習と天体物理学の分野の専門家のギャップを埋めるために、2023年のアリエルデータチャレンジは7つの太陽系外惑星の特徴の後方分布を予測するために開催された。 本稿では,この課題に対処するために,多変量ガウス分布の平均と共分散行列を生成する多変量ガウスモデルと,一様分布の上下境界として使用する量子を予測する一様量子化モデルという,2つのディープラーニングモデルの組み合わせを概説した。 多変量ガウスモデルの訓練は不安定であり、一様量子モデルの訓練は安定であった。 均一分布のアンサンブルは、試験中に競争結果(後続スコア696.43)が得られ、多変量ガウス分布と組み合わせると、2023年のアリエルデータチャレンジ(最終スコア681.57)で3位となった。

関連論文リスト

• Flow-Based Generative Emulation of Grids of Stellar Evolutionary Models [4.713280433864737]
  恒星進化モデルの格子をエミュレートするフローベース生成手法を提案する。 様々な進化軌道やアイソクロンを連続的な入力パラメータにわたってエミュレートする能力を示す。
  論文  参考訳（メタデータ） (2024-07-12T16:54:17Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Reproducing Bayesian Posterior Distributions for Exoplanet Atmospheric Parameter Retrievals with a Machine Learning Surrogate Model [1.8434042562191815]
  本研究では,太陽系外惑星大気パラメータのベイズ分布を再現するための機械学習に基づく代理モデルについて述べる。 このモデルは2023年のAriel Machine Learning Data Challengeで優勝した。
  論文  参考訳（メタデータ） (2023-10-16T15:39:05Z)
• Conformal inference for regression on Riemannian Manifolds [49.7719149179179]
  回帰シナリオの予測セットは、応答変数が$Y$で、多様体に存在し、Xで表される共変数がユークリッド空間にあるときに検討する。 我々は、多様体上のこれらの領域の経験的バージョンが、その集団に対するほぼ確実に収束していることを証明する。
  論文  参考訳（メタデータ） (2023-10-12T10:56:25Z)
• Efficient Integrators for Diffusion Generative Models [22.01769257075573]
  拡散モデルは、推論時に遅いサンプル生成に悩まされる。 事前学習モデルにおけるサンプル生成を高速化するための2つの補完的フレームワークを提案する。 本稿では,拡張空間における拡散モデルにおける最良報告性能を実現するハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T21:04:42Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識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） (2023-04-30T20:00:14Z)
• Hyperbolic VAE via Latent Gaussian Distributions [7.258394470200572]
  本稿ではガウス多様体の変分オートエンコーダ(GM-VAE)を提案する。 実験では、画像データセットの密度推定とモデルベース強化学習における環境モデリングの2つのタスクにおけるGM-VAEの有効性を実証した。
  論文  参考訳（メタデータ） (2022-09-30T04:09:06Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• A survey on Bayesian inference for Gaussian mixture model [3.109306676759862]
  この調査の目的は、有限および無限ガウス混合モデルに対するベイズ推定における概念と数学的ツールを自己完結的に導入することである。 この控えめな背景以外は、開発は自己完結しており、厳密な証明が提供される。
  論文  参考訳（メタデータ） (2021-08-20T13:23:17Z)
• Generative Modeling with Denoising Auto-Encoders and Langevin Sampling [88.83704353627554]
  DAEとDSMの両方がスムーズな人口密度のスコアを推定することを示した。 次に、この結果をarXiv:1907.05600のホモトピー法に適用し、その経験的成功を理論的に正当化する。
  論文  参考訳（メタデータ） (2020-01-31T23:50:03Z)

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。