論文の概要: Explainable Deep-Learning Based Potentially Hazardous Asteroids Classification Using Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2504.18605v1
• Date: Fri, 25 Apr 2025 09:49:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.913947
• Title: Explainable Deep-Learning Based Potentially Hazardous Asteroids Classification Using Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた説明可能な深層学習に基づく潜在的危険小惑星分類
• Authors: Baimam Boukar Jean Jacques,
• Abstract要約: 潜在的に有害な小惑星(PHA)の分類は、惑星防衛と深宇宙航行に不可欠である。 我々は、軌道と物理の特徴を持つノードとして小惑星をモデル化し、それらの類似性を表すエッジで接続するグラフニューラルネットワーク(GNN)アプローチを導入する。 本モデルでは,99%,AUCは0.99,リコールは78%,F1スコアは37%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifying potentially hazardous asteroids (PHAs) is crucial for planetary defense and deep space navigation, yet traditional methods often overlook the dynamical relationships among asteroids. We introduce a Graph Neural Network (GNN) approach that models asteroids as nodes with orbital and physical features, connected by edges representing their similarities, using a NASA dataset of 958,524 records. Despite an extreme class imbalance with only 0.22% of the dataset with the hazardous label, our model achieves an overall accuracy of 99% and an AUC of 0.99, with a recall of 78% and an F1-score of 37% for hazardous asteroids after applying the Synthetic Minority Oversampling Technique. Feature importance analysis highlights albedo, perihelion distance, and semi-major axis as main predictors. This framework supports planetary defense missions and confirms AI's potential in enabling autonomous navigation for future missions such as NASA's NEO Surveyor and ESA's Ramses, offering an interpretable and scalable solution for asteroid hazard assessment.
• Abstract（参考訳）: 潜在的に有害な小惑星(PHA)の分類は、惑星防衛と深宇宙航行に不可欠であるが、従来の手法では小惑星間のダイナミックな関係を見落としていることが多い。 我々は、958,524レコードのNASAデータセットを用いて、小惑星を軌道と物理的特徴を持つノードとしてモデル化するグラフニューラルネットワーク(GNN)アプローチを導入する。 危険ラベル付きデータセットの0.22%しか残っていない極端なクラス不均衡にもかかわらず、我々のモデルは総合精度99%、AUC0.99、リコール78%、F1スコア37%を合成マイノリティオーバーサンプリング技術の適用後に達成している。 特徴重要度分析は、アルベド、近日点距離、半大軸を主予測因子として強調する。 このフレームワークは惑星防衛ミッションをサポートし、NASAのNEOサーベイヤーやESAのラムセスのような将来のミッションで自律的なナビゲーションを可能にするAIの可能性を確認し、小惑星のハザード評価のための解釈可能でスケーラブルなソリューションを提供する。

関連論文リスト

• Towards LLM Agents for Earth Observation [49.92444022073444]
  これは、NASAの地球観測所の記事から13のトピックと17の衛星センサーに関する140のイエス/ノーの質問のベンチマークである。 Google Earth Engine APIをツールとして使用すると、LLMエージェントは58%以上のコードを実行できないため、33%の精度しか達成できない。 我々は、合成データを微調整することで、オープンモデルの失敗率を改善し、より小さなモデルの方が、はるかに大きなモデルに匹敵する精度が得られるようにした。
  論文  参考訳（メタデータ） (2025-04-16T14:19:25Z)
• A multi-model approach using XAI and anomaly detection to predict asteroid hazards [0.3749861135832073]
  この研究は、機械学習、ディープラーニング、説明可能なAI(XAI)、異常検出を組み合わせることで、危険を正確に予測する洗練された方法を提供する。 ハイブリッドアルゴリズムは、いくつかの最先端モデルを組み合わせることで予測精度を向上させる。 タイムリな緩和は、世界中の監視局に通知するリアルタイムアラームシステムによって実現される。
  論文  参考訳（メタデータ） (2025-03-20T07:00:01Z)
• NEOviz: Uncertainty-Driven Visual Analysis of Asteroid Trajectories [41.49140717172804]
  我々は、地球近傍の天体の視覚分析において、惑星防衛の専門家を支援するために設計された対話型可視化システムNEOvizを紹介する。 特に,小惑星が移動する3次元不確実領域を可視化するための新しいアプローチを提案する。 潜在的な影響者に対しては、3D視覚化と不確実性を認識したインパクトマップを組み合わせることで、人間の集団に対する潜在的なリスクを示す。
  論文  参考訳（メタデータ） (2024-11-05T05:04:12Z)
• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
  火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。 高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。 また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-12T12:52:20Z)
• Prediction of Apophis Asteroid Flyby Optimal Trajectories and Data Fusion of Earth-Apophis Mission Launch Windows using Deep Neural Networks [0.0]
  地球とアポフィスのミッションは、自然実験のユニークな機会を超えた追加の要因と科学的目標によって推進される。 小惑星の強さと内部の完全性を理解することは 科学的な好奇心の問題ではありません 本稿では, 入場からポストランディングまでの各段階において, 効率性に必要な概念ロボットシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-11T21:42:53Z)
• Artificial Neural Network classification of asteroids in the M1:2 mean-motion resonance with Mars [0.0]
  人工ニューラルネットワークを用いて、火星とM1:2の平均運動共鳴によって影響を受ける小惑星の軌道を同定する。 提案モデルでは, 小惑星共鳴画像の同定において, 85%以上の精度を達成できた。 遺伝的アルゴリズムを用いて最適化された教師付き機械学習手法を用いて、この地域の全ての多目的小惑星の軌道状態も予測した。
  論文  参考訳（メタデータ） (2021-03-29T13:03:47Z)
• A Two-Stage Deep Learning Detection Classifier for the ATLAS Asteroid Survey [0.0]
  太陽系の天体を光学的・電子的アーティファクトから分離する2段階ニューラルネットワークモデルを提案する。 このモデルは、ATLASデータ中の実際の小惑星の99.6%の精度で0.4%の偽陰率を示す。
  論文  参考訳（メタデータ） (2021-01-22T01:35:08Z)
• On Adversarial Examples and Stealth Attacks in Artificial Intelligence Systems [62.997667081978825]
  本稿では,汎用人工知能(AI)システムに対する2種類の多元性行動の評価と分析を行うための公式な枠組みを提案する。 最初のクラスは、逆例を含み、誤分類を引き起こす入力データの小さな摂動の導入を懸念する。 第2のクラスは、ここで初めて導入され、ステルス攻撃と名付けられたもので、AIシステム自体に対する小さな摂動を伴う。
  論文  参考訳（メタデータ） (2020-04-09T10:56:53Z)

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。