論文の概要: Using different sources of ground truths and transfer learning to improve the generalization of photometric redshift estimation
- arxiv url: http://arxiv.org/abs/2411.18054v1
- Date: Wed, 27 Nov 2024 04:55:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:25:02.174638
- Title: Using different sources of ground truths and transfer learning to improve the generalization of photometric redshift estimation
- Title(参考訳): 光度赤方偏移推定の一般化のための異なる基底真理源と伝達学習の利用
- Authors: Jonathan Soriano, Srinath Saikrishnan, Vikram Seenivasan, Bernie Boscoe, Jack Singal, Tuan Do,
- Abstract要約: 我々は、異なる基底真実を組み合わせることにより、銀河赤方偏移予測を改善する方法を模索する。
私たちはまずTransferZでベースニューラルネットワークをトレーニングし、より精密な分光赤偏移を持つ銀河のデータセット(GalaxiesML)で転送学習を用いてそれを洗練します。
どちらの手法も、差分を$sim$5x、RMSエラーを$sim$1.5x、GalaxiesMLの破滅的な外れ率を1.3x、TransferZデータのみにトレーニングされたベースラインと比較して、バイアスを$sim$5x、RMSエラーを$sim$1.5x、削減する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: In this work, we explore methods to improve galaxy redshift predictions by combining different ground truths. Traditional machine learning models rely on training sets with known spectroscopic redshifts, which are precise but only represent a limited sample of galaxies. To make redshift models more generalizable to the broader galaxy population, we investigate transfer learning and directly combining ground truth redshifts derived from photometry and spectroscopy. We use the COSMOS2020 survey to create a dataset, TransferZ, which includes photometric redshift estimates derived from up to 35 imaging filters using template fitting. This dataset spans a wider range of galaxy types and colors compared to spectroscopic samples, though its redshift estimates are less accurate. We first train a base neural network on TransferZ and then refine it using transfer learning on a dataset of galaxies with more precise spectroscopic redshifts (GalaxiesML). In addition, we train a neural network on a combined dataset of TransferZ and GalaxiesML. Both methods reduce bias by $\sim$ 5x, RMS error by $\sim$ 1.5x, and catastrophic outlier rates by 1.3x on GalaxiesML, compared to a baseline trained only on TransferZ. However, we also find a reduction in performance for RMS and bias when evaluated on TransferZ data. Overall, our results demonstrate these approaches can meet cosmological requirements.
- Abstract(参考訳): 本研究では、異なる基底事実を組み合わせることにより、銀河赤方偏移予測を改善する方法について検討する。
従来の機械学習モデルは、既知の分光赤方偏移を持つトレーニングセットに頼っている。
より広い銀河群に対してより一般化可能な赤方偏移モデルを構築するため、移動学習と、光度法と分光法から導かれた基底真理赤方偏移を直接組み合わせて検討する。
我々はCOSMOS2020サーベイを用いて、テンプレートフィッティングを用いた35個の画像フィルタから得られた光度赤方偏移推定を含むデータセット、TransferZを作成している。
このデータセットは、赤方偏移推定は正確ではないものの、分光サンプルと比較してより広い種類の銀河や色の範囲にまたがる。
まず、TransferZ上でベースニューラルネットワークをトレーニングし、より精密な分光赤方偏移(GalaxiesML)を持つ銀河のデータセット上で転送学習を用いてそれを洗練する。
さらに、TransferZとGalaxiesMLの組み合わせデータセットに基づいてニューラルネットワークをトレーニングする。
どちらの手法もバイアスを$\sim$ 5x、RMSエラーを$\sim$ 1.5x、GalaxiesMLで破滅的なアウトリー率を1.3x、TransferZでのみ訓練されたベースラインと比較して、バイアスを$\sim$ 5x、RMSエラーを$\sim$ 1.5x、削減する。
しかし,TransferZデータによる評価では,RMSの性能低下やバイアスが認められた。
全体として、これらの手法は宇宙論的な要件を満たすことができることを示す。
関連論文リスト
- Mantis Shrimp: Exploring Photometric Band Utilization in Computer Vision Networks for Photometric Redshift Estimation [0.30924355683504173]
我々は、紫外光(GALEX)、光(PanSTARRS)、赤外線(UnWISE)画像を融合した測光赤方偏移推定モデルを提案する。
Mantis Shrimpは、カットアウト画像を用いた赤方偏移の条件密度推定を推定する。
我々は、モデルがバンド間で情報を使用する方法を学び、我々のモデルがすべての調査から情報をうまく取り入れた証拠を見つける。
論文 参考訳(メタデータ) (2025-01-15T19:46:23Z) - Determination of galaxy photometric redshifts using Conditional Generative Adversarial Networks (CGANs) [0.0]
CGAN(Conditional Generative Adversarial Networks)を用いた銀河の測光赤方偏移決定アルゴリズムを提案する。
提案されたCGAN実装は、確率回帰として光度赤方偏移決定にアプローチし、推定された銀河の赤方偏移の単一の値を決定する代わりに、完全な確率密度が計算される。
論文 参考訳(メタデータ) (2025-01-11T12:42:07Z) - GalaxiesML: a dataset of galaxy images, photometry, redshifts, and structural parameters for machine learning [1.0279580671257864]
本稿では、銀河測光、画像、分光赤方偏移、構造特性からなる機械学習応用のためのデータセットを提案する。
このデータセットは、ハイパー・サプライム・カム・サーベイPDR2からの286,401個の銀河画像と測光を5つの画像フィルターで構成している。
このデータセットを公開して、EuclidやLSSTといった次世代のサーベイのための機械学習手法の開発を促進するのに役立てる。
論文 参考訳(メタデータ) (2024-09-30T22:46:44Z) - Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳(メタデータ) (2024-08-28T10:07:17Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - Photo-zSNthesis: Converting Type Ia Supernova Lightcurves to Redshift
Estimates via Deep Learning [0.0]
光-zSNthesisは、完全な赤方偏移確率分布を予測する畳み込みニューラルネットワークに基づく手法である。
PLAsTiCCシミュレーションでは予測バイアスデルタz>が61倍改善し,SDSSデータでは5倍改善した。
論文 参考訳(メタデータ) (2023-05-19T17:59:00Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳(メタデータ) (2022-11-22T15:35:05Z) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳(メタデータ) (2021-06-25T16:01:19Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳(メタデータ) (2020-11-24T22:51:08Z) - Towards Accurate Knowledge Transfer via Target-awareness Representation
Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。
TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。
各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文 参考訳(メタデータ) (2020-10-16T17:45:08Z) - Interpreting Galaxy Deblender GAN from the Discriminator's Perspective [50.12901802952574]
本研究は、ネットワークの主要なコンポーネントである識別器の動作に焦点を当てるが、しばしば見落とされがちな役割を担っている。
本手法は, 生成銀河画像と地中真理画像とを区別する際に, 識別器の注意領域を明確に明らかにする。
論文 参考訳(メタデータ) (2020-01-17T04:05:46Z)
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。