論文の概要: SPOCK 2.0: Update to the FeatureClassifier in the Stability of Planetary Orbital Configurations Klassifier

• arxiv url: http://arxiv.org/abs/2501.15017v1
• Date: Sat, 25 Jan 2025 01:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:53:56.833858
• Title: SPOCK 2.0: Update to the FeatureClassifier in the Stability of Planetary Orbital Configurations Klassifier
• Title（参考訳）: SPOCK 2.0:Planetary Orbital Configurations Klassifierの安定性におけるFeature Classifierのアップデート
• Authors: Elio Thadhani, Yolanda Ba, Hanno Rein, Daniel Tamayo,
• Abstract要約: 惑星軌道構成の安定性 Klassifier (SPOCK) パッケージは、コンパクトな惑星系の安定性と衝突進化を予測する機械学習モデルを収集する。 我々はSPOCKのバイナリ安定性分類器(FeatureClassifier)を改良し、システムの短いN体積分によるデータ収集により軌道安定性を予測する。 10万以上のユニークな統合のデータセットをクリーン化し、新たにトレーニングされた安定性分類モデルをリリースし、APIをマイナーアップデートします。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The Stability of Planetary Orbital Configurations Klassifier (SPOCK) package collects machine learning models for predicting the stability and collisional evolution of compact planetary systems. In this paper we explore improvements to SPOCK's binary stability classifier (FeatureClassifier), which predicts orbital stability by collecting data over a short N-body integration of a system. We find that by using a system-specific timescale (rather than a fixed $10^4$ orbits) for the integration, and by using this timescale as an additional feature, we modestly improve the model's AUC metric from 0.943 to 0.950 (AUC=1 for a perfect model). We additionally discovered that $\approx 10\%$ of N-body integrations in SPOCK's original training dataset were duplicated by accident, and that $<1\%$ were misclassified as stable when they in fact led to ejections. We provide a cleaned dataset of 100,000+ unique integrations, release a newly trained stability classification model, and make minor updates to the API.
• Abstract（参考訳）: プラネタリー・オービタル・コンフィグレーション・クラシファイア(SPOCK)パッケージは、コンパクトな惑星系の安定性と衝突進化を予測する機械学習モデルを集めている。 本稿では,SPOCKのバイナリ安定性分類器(Feature Classifier)の改良について検討する。 統合にはシステム固有の時間スケール(固定10^4$軌道ではなく)を用いることで、追加機能としてこの時間スケールを使用することで、モデルのAUCメトリックを0.943から0.950(完全モデルではAUC=1)に適度に改善することを発見した。 さらに、SPOCKの当初のトレーニングデータセットにおけるN体統合の$\approx 10\%$が偶然に重複していること、そして実際に放出に繋がったときに、$<1\%$が安定であると誤分類されていることも判明した。 10万以上のユニークな統合のデータセットをクリーン化し、新たにトレーニングされた安定性分類モデルをリリースし、APIをマイナーアップデートします。

関連論文リスト

• An extended asymmetric sigmoid with Perceptron (SIGTRON) for imbalanced linear classification [0.0]
  本稿では、SIGTRONと呼ばれる新しいパラメータ化シグモノイドと、SIGTRON不均衡分類(SIC)モデルと呼ばれる同伴凸モデルを提案する。 従来の$pi$重み付きコスト依存学習モデルとは対照的に、SICモデルは損失関数に外部の$pi$重みを持たない。 提案したSICモデルは,データセットのバリエーションに適応可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-26T13:14:17Z)
• Detach-ROCKET: Sequential feature selection for time series classification with random convolutional kernels [0.7499722271664144]
  ROCKETに基づくモデルにおいて, 逐次的特徴分離(Sequential Feature Detachment, SFD)を導入する。 SFDは、オリジナルの機能の10%しか使用せずに、より良いテスト精度でモデルを作成することができる。 また,特徴量とモデル精度の最適バランスを決定するためのエンドツーエンドの手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T20:24:36Z)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• Algebraic and machine learning approach to hierarchical triple-star stability [0.0]
  階層型三つ星系の安定性を決定するための2つの方法を提案する。 1つ目は、Mardling & Aarseth (2001) の半解析的安定性基準の改善である。 二つ目は機械学習のアプローチで、3重星系を「安定かつ不安定」と分類するために多層パーセプトロン(MLP)を用いる。
  論文  参考訳（メタデータ） (2022-07-07T08:29:17Z)
• Predicting the Stability of Hierarchical Triple Systems with Convolutional Neural Networks [68.8204255655161]
  本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。 すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
  論文  参考訳（メタデータ） (2022-06-24T17:58:13Z)
• Imputing Missing Observations with Time Sliced Synthetic Minority Oversampling Technique [0.3973560285628012]
  本稿では,データセット内の各サンプルに対して均一な不規則な時系列を構成することを目的とした,単純かつ斬新な時系列計算手法を提案する。 我々は、観測時間の重複しないビン(「スライス」と呼ばれる)の中間点で定義される格子を固定し、各サンプルが所定の時間にすべての特徴に対して値を持つことを保証する。 これにより、完全に欠落した観察をインプットし、データ全体の時系列の均一な分類を可能にし、特別な場合には個々の欠落した特徴をインプットすることができる。
  論文  参考訳（メタデータ） (2022-01-14T19:23:24Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Stability and Identification of Random Asynchronous Linear Time-Invariant Systems [81.02274958043883]
  線形力学系の安定性に対するランダム化と非同期化の付加的な利点を示す。 未知のランダム化LTIシステムに対して,基礎となる力学を復元するための系統的同定手法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T02:00:04Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。