論文の概要: ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST
- arxiv url: http://arxiv.org/abs/2501.01496v1
- Date: Thu, 02 Jan 2025 19:00:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:12:02.921330
- Title: ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST
- Title（参考訳）: ORACLE:LSSTのためのリアルタイム・階層的・深層学習型測光分類器
- Authors: Ved G. Shah, Alex Gagliano, Konstantin Malanchev, Gautham Narayan, The LSST Dark Energy Science Collaboration,
- Abstract要約: ORACLEは、時間的・変動的な天体物理学現象のリアルタイム・文脈的分類のための最初の階層的深層学習モデルである。
ORACLEは Gated Recurrent Units (GRU) を備えたリカレントニューラルネットワークである
LSST Astronomical Time-Series Classification Challenge から$sim$0.5M のイベントをトレーニングし、1日の測光観測のみを用いて、最上位(過渡対可変)のマクロ平均精度 0.96 を達成した。
- 参考スコア（独自算出の注目度）: 0.3276793654637396
- License:
- Abstract: We present ORACLE, the first hierarchical deep-learning model for real-time, context-aware classification of transient and variable astrophysical phenomena. ORACLE is a recurrent neural network with Gated Recurrent Units (GRUs), and has been trained using a custom hierarchical cross-entropy loss function to provide high-confidence classifications along an observationally-driven taxonomy with as little as a single photometric observation. Contextual information for each object, including host galaxy photometric redshift, offset, ellipticity and brightness, is concatenated to the light curve embedding and used to make a final prediction. Training on $\sim$0.5M events from the Extended LSST Astronomical Time-Series Classification Challenge, we achieve a top-level (Transient vs Variable) macro-averaged precision of 0.96 using only 1 day of photometric observations after the first detection in addition to contextual information, for each event; this increases to $>$0.99 once 64 days of the light curve has been obtained, and 0.83 at 1024 days after first detection for 19-way classification (including supernova sub-types, active galactic nuclei, variable stars, microlensing events, and kilonovae). We also compare ORACLE with other state-of-the-art classifiers and report comparable performance for the 19-way classification task, in addition to delivering accurate top-level classifications much earlier. The code and model weights used in this work are publicly available at our associated GitHub repository (https://github.com/uiucsn/ELAsTiCC-Classification).
- Abstract（参考訳）: ORACLEは、時間的・変動的な天体物理学現象のリアルタイム・文脈的分類のための最初の階層的深層学習モデルである。
ORACLEは、Gated Recurrent Units (GRUs) によるリカレントニューラルネットワークであり、単一の測光観測の少ない観察駆動型分類に沿って高信頼の分類を提供するために、独自の階層的クロスエントロピー損失関数を使用して訓練されている。
ホスト銀河の測光赤方偏移、オフセット、楕円性、明るさを含む各天体のコンテキスト情報は光曲線の埋め込みと結合され、最終的な予測に使用される。
LSST Astronomical Time-Series Classification Challenge による$\sim$0.5M イベントのトレーニングでは、各事象について、コンテキスト情報に加えて、第1検出後の1日の測光観測のみを使用して、トップレベル(過渡対可変)のマクロ平均精度 0.96 を達成し、19方向分類の最初の検出から1024日後(超新星サブタイプ、活動銀河核、可変星、マイクロレンズイベント、キロノバ)に$0.99 ドル以上まで上昇した。
また、ORACLEを他の最先端分類器と比較し、より早く正確なトップレベル分類を提供するのに加えて、19ウェイ分類タスクに匹敵する性能を報告した。
この作業で使用されるコードとモデルの重み付けは、GitHubリポジトリ(https://github.com/uiucsn/ELAsTiCC-Classification)で公開されています。
関連論文リスト
- Navigating Semantic Drift in Task-Agnostic Class-Incremental Learning [51.177789437682954]
クラスインクリメンタルラーニング(Class-incremental Learning, CIL)は、モデルが学習したクラスの知識を維持しつつ、新しいクラスを逐次学習できるようにすることを目的とする。
柔軟性と安定性のバランスをとることは、特にタスクIDが不明な場合には、依然として大きな課題である。
本研究では,平均シフト補償と共分散校正を組み合わせたセマンティックドリフト校正法を提案する。
論文 参考訳（メタデータ） (2025-02-11T13:57:30Z) - Identifying Light-curve Signals with a Deep Learning Based Object
Detection Algorithm. II. A General Light Curve Classification Framework [0.0]
弱教師付き物体検出モデルを用いて光曲線を分類するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,光曲線とパワースペクトルの両方に最適なウィンドウを自動同定し,対応するデータにズームインする。
我々は、変動星と過渡星の宇宙と地上の両方のマルチバンド観測から得られたデータセットに基づいてモデルを訓練する。
論文 参考訳（メタデータ） (2023-11-14T11:08:34Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Real-time detection of anomalies in large-scale transient surveys [0.0]
本稿では, 異常な過渡光曲線を自動的にリアルタイムに検出する2つの新しい手法を提案する。
どちらの手法も、既知のトランジェント集団からの光曲線を正確にモデル化できるなら、モデル予測からの偏差は、おそらく異常である、という単純な考え方に基づいている。
論文 参考訳（メタデータ） (2021-10-29T18:29:25Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Paying Attention to Astronomical Transients: Introducing the Time-series
Transformer for Photometric Classification [6.586394734694152]
本稿では,自然言語処理のためのトランスフォーマーアーキテクチャを提案する。
時系列変換器をフォトメトリック分類のタスクに適用し、エキスパートドメイン知識の信頼性を最小化する。
我々は、光度LSST天文時系列分類チャレンジのデータを用いて、不均衡なデータに対する0.507の対数ロスを達成する。
論文 参考訳（メタデータ） (2021-05-13T10:16:13Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳（メタデータ） (2021-04-01T13:55:21Z) - A Deep Learning Approach for Active Anomaly Detection of Extragalactic
Transients [1.7152709285783647]
本稿では,シミュレーションしたルビン天文台の銀河外過渡現象をエンコードする変分リカレントオートエンコーダニューラルネットワークを提案する。
1,129,184のイベントを,孤立林を用いて推定した異常スコアに基づいてランク付けした。
我々のアルゴリズムは、ピーク前にこれらの過渡現象を異常と識別することができ、リアルタイムの追従研究を可能にしている。
論文 参考訳（メタデータ） (2021-03-22T18:02:19Z) - MANTRA: A Machine Learning reference lightcurve dataset for astronomical
transient event recognition [2.208166456405677]
カタリーナ・リアルタイム・リアルタイム・トランジェント・サーベイから構築された4869トランジェントおよび71207非トランジェント・オブジェクト・ライトカーブのデータセットにパブリックアクセスする。
データセットに含まれるいくつかのクラスは、超新星、白亜紀変光星、活動銀河核、高い固有運動星、ブレザー、フレアである。
二進的/非過渡的(transient/non-transient)と八進的(8-class)の2つの分類課題における定量的性能を評価する。
論文 参考訳（メタデータ） (2020-06-23T17:06:49Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z)
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。