論文の概要: Insights on Galaxy Evolution from Interpretable Sparse Feature Networks

• arxiv url: http://arxiv.org/abs/2501.00089v1
• Date: Mon, 30 Dec 2024 19:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 20:43:24.390859
• Title: Insights on Galaxy Evolution from Interpretable Sparse Feature Networks
• Title（参考訳）: 解釈可能なスパース特徴ネットワークからの銀河進化の展望
• Authors: John F. Wu,
• Abstract要約: Sparse Feature Network (SFNet) と呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 SFNetは、光放射線比やガス相金属度などの銀河特性を推定するために線形に結合できる解釈可能な特徴を生成する。 SFNetは解釈可能性を得るために精度を犠牲にせず、天文学的な機械学習タスクにおける最先端モデルと相容れない性能を発揮する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Galaxy appearances reveal the physics of how they formed and evolved. Machine learning models can now exploit galaxies' information-rich morphologies to predict physical properties directly from image cutouts. Learning the relationship between pixel-level features and galaxy properties is essential for building a physical understanding of galaxy evolution, but we are still unable to explicate the details of how deep neural networks represent image features. To address this lack of interpretability, we present a novel neural network architecture called a Sparse Feature Network (SFNet). SFNets produce interpretable features that can be linearly combined in order to estimate galaxy properties like optical emission line ratios or gas-phase metallicity. We find that SFNets do not sacrifice accuracy in order to gain interpretability, and that they perform comparably well to cutting-edge models on astronomical machine learning tasks. Our novel approach is valuable for finding physical patterns in large datasets and helping astronomers interpret machine learning results.
• Abstract（参考訳）: 銀河の出現は、彼らがどのように形成し、どのように進化したかの物理学を明らかにする。 機械学習モデルは、銀河の情報豊富な形態を利用して、画像の切り欠きから直接物理的特性を予測することができる。 ピクセルレベルの特徴と銀河の性質の関係を学習することは、銀河の進化の物理的理解を構築するのに不可欠である。 このような解釈可能性の欠如に対処するため,Sparse Feature Network (SFNet)と呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 SFNetは、光放射線比やガス相金属度などの銀河特性を推定するために線形に結合できる解釈可能な特徴を生成する。 SFNetは解釈可能性を得るために精度を犠牲にせず、天文学的な機械学習タスクにおける最先端モデルと相容れない性能を発揮する。 我々の新しいアプローチは、大きなデータセットの物理パターンを見つけ、天文学者が機械学習の結果を解釈するのに役立つ。

関連論文リスト

• Learning the Evolution of Physical Structure of Galaxies via Diffusion Models [29.01313417459577]
  本稿では、銀河画像を生成するために、赤方偏移にDDPM(Denoising Diffusion Probabilistic Models)を適応させる新しい手法を提案する。 我々は、この先進的な生成モデルが、その画像と赤方偏移測定のみに基づいて、銀河の物理的特性を正確に捉えることができるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-11-27T15:28:30Z)
• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Super Consistency of Neural Network Landscapes and Learning Rate Transfer [72.54450821671624]
  我々は、失われたヘッセンのレンズを通して風景を研究する。 我々は、$mu$P のスペクトル特性がネットワークの大きさに大きく依存していることを発見した。 ニューラルタンジェントカーネル(NTK)や他のスケーリングシステムでは、シャープネスは異なるスケールで非常に異なるダイナミクスを示す。
  論文  参考訳（メタデータ） (2024-02-27T12:28:01Z)
• Preliminary Report on Mantis Shrimp: a Multi-Survey Computer Vision Photometric Redshift Model [0.431625343223275]
  光度赤偏移推定は天文学の確立されたサブフィールドである。 Mantis Shrimpは、超紫外(GALEX)、光学(PanSTARRS)、赤外線(UnWISE)画像を融合する、測光赤方偏移推定のためのコンピュータビジョンモデルである。
  論文  参考訳（メタデータ） (2024-02-05T21:44:19Z)
• Galaxy Classification: A machine learning approach for classifying shapes using numerical data [0.0]
  我々は,Galaxy Zooプロジェクトの数値データを用いて,銀河分類のための機械学習モデルを提案する。 我々のモデルは銀河の分類において高い精度を達成し、銀河の形成と進化の理解を著しく向上させる可能性を持っている。
  論文  参考訳（メタデータ） (2023-11-30T20:47:16Z)
• Discovering Galaxy Features via Dataset Distillation [7.121183597915665]
  多くのアプリケーションにおいて、ニューラルネット(NN)は、人間の能力以上の分類性能を持つ。 ここでは、このアイデアを銀河分類の非常に難しい課題に適用する。 ニューラルネットワークのレンズを通して原型銀河形態を要約し視覚化する新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-11-29T12:39:31Z)
• Seeing in Words: Learning to Classify through Language Bottlenecks [59.97827889540685]
  人間は簡潔で直感的な説明を使って予測を説明することができる。 特徴表現がテキストである視覚モデルでは,画像ネットイメージを効果的に分類できることを示す。
  論文  参考訳（メタデータ） (2023-06-29T00:24:42Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Inferring halo masses with Graph Neural Networks [0.5804487044220691]
  我々は、ハローの位置、速度、恒星の質量、銀河の半径を推定するモデルを構築します。 我々は不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を使用している。 我々のモデルでは、ハロの質量を$sim$0.2 dexの精度で制限することができる。
  論文  参考訳（メタデータ） (2021-11-16T18:37:53Z)
• Physically Explainable CNN for SAR Image Classification [59.63879146724284]
  本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。 提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。 実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-10-27T03:30:18Z)
• Leveraging Sparse Linear Layers for Debuggable Deep Networks [86.94586860037049]
  学習した深い特徴表現に疎い線形モデルを適用することで、よりデバッグ可能なニューラルネットワークを実現する方法を示す。 その結果、スパースな説明は、スプリアス相関を特定し、誤分類を説明し、視覚および言語タスクにおけるモデルバイアスを診断するのに役立ちます。
  論文  参考訳（メタデータ） (2021-05-11T08:15:25Z)

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。