論文の概要: Improving the discovery of near-Earth objects with machine-learning methods

• arxiv url: http://arxiv.org/abs/2505.11910v1
• Date: Sat, 17 May 2025 08:51:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.93487
• Title: Improving the discovery of near-Earth objects with machine-learning methods
• Title（参考訳）: 機械学習による地球近傍天体の発見の改善
• Authors: Peter Vereš, Richard Cloete, Matthew J. Payne, Abraham Loeb,
• Abstract要約: 近地球天体確認ページ (NEOCP) の候補として, ダイジェスト2パラメータの包括的分析を行った。 本研究では,NEOCPに非NEOオブジェクトを包含する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.17999333451993949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a comprehensive analysis of the digest2 parameters for candidates of the Near-Earth Object Confirmation Page (NEOCP) that were reported between 2019 and 2024. Our study proposes methods for significantly reducing the inclusion of non-NEO objects on the NEOCP. Despite the substantial increase in near-Earth object (NEO) discoveries in recent years, only about half of the NEOCP candidates are ultimately confirmed as NEOs. Therefore, much observing time is spent following up on non-NEOs. Furthermore, approximately 11% of the candidates remain unconfirmed because the follow-up observations are insufficient. These are nearly 600 cases per year. To reduce false positives and minimize wasted resources on non-NEOs, we refine the posting criteria for NEOCP based on a detailed analysis of all digest2 scores. We investigated 30 distinct digest2 parameter categories for candidates that were confirmed as NEOs and non-NEOs. From this analysis, we derived a filtering mechanism based on selected digest2 parameters that were able to exclude 20% of the non-NEOs from the NEOCP while maintaining a minimal loss of true NEOs. We also investigated the application of four machine-learning (ML) techniques, that is, the gradient-boosting machine (GBM), the random forest (RF) classifier, the stochastic gradient descent (SGD) classifier, and neural networks (NN) to classify NEOCP candidates as NEOs or non-NEOs. Based on digest2 parameters as input, our ML models achieved a precision of approximately 95% in distinguishing between NEOs and non-NEOs. Results. Combining the digest2 parameter filter with an ML-based classification model, we demonstrate a significant reduction in non-NEOs on the NEOCP that exceeds 80%, while limiting the loss of NEO discovery tracklets to 5.5%. Importantly, we show that most follow-up tracklets of initially misclassified NEOs are later correctly identified as NEOs.
• Abstract（参考訳）: 本研究では,2019年から2024年の間に報告された近地球天体確認ページ (NEOCP) の候補に対するダイジェスト2パラメータの包括的分析を行った。 本研究では,NEOCPに非NEOオブジェクトを包含する手法を提案する。 近年、地球近傍天体(NEO)の発見が著しく増加しているにもかかわらず、NEOCP候補の約半数が最終的にNEOであると確認されている。 したがって、非NEOの観測には多くの時間が費やされる。 さらに、フォローアップ観察が不十分なため、候補者の約11%が未確認のままである。 年間600件近い症例がある。 偽陽性を減らし,非NEOの無駄な資源を最小化するために,全ダイジェスト2スコアの詳細な分析に基づいてNEOCPの投稿基準を洗練する。 NEOsおよび非NEOsと診断された候補に対して,30の異なるダイジェスト2パラメーターカテゴリーについて検討した。 そこで本研究では,NEOCPからNon-NEOの20%を除去し,真のNEOの損失を最小限に抑えながら,選択したダイジェスト2パラメータに基づくフィルタリング機構を導出した。 また,4つの機械学習(ML)手法,すなわち勾配ブースティング(GBM),ランダム森林(RF)分類器,確率勾配降下(SGD)分類器,ニューラルネットワーク(NN)を適用し,NEOCP候補をNEOまたは非NEOに分類した。 インプットとしてのダイジェスト2パラメータに基づいて,我々のMLモデルは,NEOと非NEOの区別において約95%の精度を達成した。 結果。 ダイジェスト2パラメーターフィルタとMLに基づく分類モデルを組み合わせることで、NEOCPでは80%を超える非NEOが大幅に減少し、NEO発見トラックレットの損失は5.5%に制限された。 重要なことは、初期分類されたNEOの追従トラックレットのほとんどは、後にNEOsとして正しく識別されていることである。

関連論文リスト

• LLM-NEO: Parameter Efficient Knowledge Distillation for Large Language Models [54.86076216773461]
  知識蒸留(KD)は、大規模言語モデル(LLM)を圧縮する主要な方法である。 本研究は,LoRAをKDに統合し,知識伝達効率を向上させるパラメータ効率の高い知識蒸留法 LLM-NEO を提案する。
  論文  参考訳（メタデータ） (2024-11-11T10:07:51Z)
• NeoRL: Efficient Exploration for Nonepisodic RL [50.67294735645895]
  非線形力学系における非線形強化学習(RL)の問題点について検討する。 我々は不確実性に直面した楽観主義の原理に基づくNonepisodic Optimistic RL(NeoRL)を提案する。
  論文  参考訳（メタデータ） (2024-06-03T10:14:32Z)
• Sample-Then-Optimize Batch Neural Thompson Sampling [50.800944138278474]
  我々はトンプソンサンプリング(TS)ポリシーに基づくブラックボックス最適化のための2つのアルゴリズムを提案する。 入力クエリを選択するには、NNをトレーニングし、トレーニングされたNNを最大化してクエリを選択するだけです。 我々のアルゴリズムは、大きなパラメータ行列を逆転する必要性を助長するが、TSポリシーの妥当性は保たれている。
  論文  参考訳（メタデータ） (2022-10-13T09:01:58Z)
• NEORL: NeuroEvolution Optimization with Reinforcement Learning [0.8312466807725921]
  マサチューセッツ工科大学で開発された強化学習(NEORL)を用いたオープンソースのNeuroEvolution OptimizationのためのPythonフレームワークを提案する。 NEORLは進化計算、強化学習によるニューラルネットワーク、ハイブリッド神経進化アルゴリズムといった分野における最先端アルゴリズムのグローバルな最適化インターフェースを提供する。
  論文  参考訳（メタデータ） (2021-12-01T17:55:45Z)
• RetCL: A Selection-based Approach for Retrosynthesis via Contrastive Learning [107.64562550844146]
  レトロシンセシスは深層学習の新たな研究分野である。 本稿では, 市販分子の候補群から, 反応物質の選択問題へとレトロシンセシスを再構成する新しいアプローチを提案する。 スコア機能を学ぶために、ハードネガティブマイニングを備えた新しいコントラストトレーニングスキームも提案します。
  論文  参考訳（メタデータ） (2021-05-03T12:47:57Z)
• 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)

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。