論文の概要: Learning novel representations of variable sources from multi-modal $\textit{Gaia}$ data via autoencoders

• arxiv url: http://arxiv.org/abs/2505.16320v1
• Date: Thu, 22 May 2025 07:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.115042
• Title: Learning novel representations of variable sources from multi-modal $\textit{Gaia}$ data via autoencoders
• Title（参考訳）: オートエンコーダを用いたマルチモーダル$\textit{Gaia}$データから可変音源の新規表現を学習する
• Authors: P. Huijse, J. De Ridder, L. Eyer, L. Rimoldini, B. Holl, N. Chornay, J. Roquette, K. Nienartowicz, G. Jevardat de Fombelle, D. J. Fritzewski, A. Kemp, V. Vanlaer, M. Vanrespaille, H. Wang, M. I. Carnerero, C. M. Raiteri, G. Marton, M. Madarász, G. Clementini, P. Gavras, C. Aerts,
• Abstract要約: 本稿では,複数のガイアデータ生成物を取り込み,恒星とクエーサーの変動の教師なし分類を実現する機械学習手法の提案と評価を行う。 3つの変分オートエンコーダ(VAE)のトレーニングには400万ガリアDR3ソースのデータセットが使用される 1つのVAEは、ガイアXP低分解能スペクトルで、もう1つは、ガイアG帯の大きさ差の分布に基づく新しいアプローチで、もう1つは折り畳まれたガイアG帯光曲線で訓練されている。
• 参考スコア（独自算出の注目度）: 0.649029978687729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaia Data Release 3 (DR3) published for the first time epoch photometry, BP/RP (XP) low-resolution mean spectra, and supervised classification results for millions of variable sources. This extensive dataset offers a unique opportunity to study their variability by combining multiple Gaia data products. In preparation for DR4, we propose and evaluate a machine learning methodology capable of ingesting multiple Gaia data products to achieve an unsupervised classification of stellar and quasar variability. A dataset of 4 million Gaia DR3 sources is used to train three variational autoencoders (VAE), which are artificial neural networks (ANNs) designed for data compression and generation. One VAE is trained on Gaia XP low-resolution spectra, another on a novel approach based on the distribution of magnitude differences in the Gaia G band, and the third on folded Gaia G band light curves. Each Gaia source is compressed into 15 numbers, representing the coordinates in a 15-dimensional latent space generated by combining the outputs of these three models. The learned latent representation produced by the ANN effectively distinguishes between the main variability classes present in Gaia DR3, as demonstrated through both supervised and unsupervised classification analysis of the latent space. The results highlight a strong synergy between light curves and low-resolution spectral data, emphasising the benefits of combining the different Gaia data products. A two-dimensional projection of the latent variables reveals numerous overdensities, most of which strongly correlate with astrophysical properties, showing the potential of this latent space for astrophysical discovery. We show that the properties of our novel latent representation make it highly valuable for variability analysis tasks, including classification, clustering and outlier detection.
• Abstract（参考訳）: Gaia Data Release 3 (DR3) は、エポックな光度測定、BP/RP (XP) の低分解能平均スペクトル、および数百万の可変音源に対する教師付き分類結果を発表した。 この広範なデータセットは、複数のGaiaデータ製品を組み合わせることで、その多様性を研究するユニークな機会を提供する。 DR4の準備として,複数のガイアデータ生成物を取り込み,恒星・クエーサー変動の教師なし分類を実現する機械学習手法の提案と評価を行った。 400万のGaia DR3ソースのデータセットを使用して、データ圧縮と生成のために設計された人工知能ニューラルネットワーク(ANN)である3つの変分オートエンコーダ(VAE)をトレーニングする。 1つのVAEは、ガイアXP低分解能スペクトルで、もう1つは、ガイアG帯の大きさ差の分布に基づく新しいアプローチで、もう1つは折り畳まれたガイアG帯光曲線で訓練されている。 各ガイア源は15個の数に圧縮され、これらの3つのモデルの出力を組み合わせて生成された15次元の潜在空間の座標を表す。 ANNが作成した学習潜伏表現は、潜伏空間の教師なしおよび教師なしの分類解析によって示されるように、ガイアDR3に存在する主な変動クラスを効果的に区別する。 その結果、光曲線と低分解能スペクトルデータとの強い相乗効果が強調され、異なるガイアデータ製品を組み合わせる利点が強調された。 潜伏変数の2次元投影では、多くの過剰密度が示され、そのほとんどは天体物理学的な性質と強く相関しており、この潜伏空間が天体物理学的な発見の可能性を示している。 本稿では,新しい潜在表現の特性が,分類,クラスタリング,外乱検出などの変数解析タスクに非常に有用であることを示す。

関連論文リスト

• Disentangling stellar atmospheric parameters in astronomical spectra using Generative Adversarial Neural Networks [0.7758482228293941]
  天体スペクトルにおける物理的(有効温度と重力)と化学的(金属性、鉄に対するa元素の過剰な存在)の大気特性を解消するためのGAN(Generative Adversaria! Networks)に基づく手法を開発した。
  論文  参考訳（メタデータ） (2025-01-20T21:53:34Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• AnySat: One Earth Observation Model for Many Resolutions, Scales, and Modalities [5.767156832161819]
  本稿では,JEPAとスケール適応型空間エンコーダに基づくマルチモーダルモデルであるAnySatを提案する。 この統一アプローチの利点を実証するため、異なる特徴を持つ5つのマルチモーダルデータセットの集合であるGeoPlexをコンパイルする。 次に、これらの多様なデータセット上で、単一の強力なモデルを同時にトレーニングします。
  論文  参考訳（メタデータ） (2024-12-18T18:11:53Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [84.07233691641193]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)
• Dual-Perspective Knowledge Enrichment for Semi-Supervised 3D Object Detection [55.210991151015534]
  本稿では, DPKE という新しい2次元知識豊か化手法を提案する。 我々のDPKEは、データパースペクティブと機能パースペクティブという2つの観点から、限られたトレーニングデータ、特にラベルなしデータの知識を豊かにしています。
  論文  参考訳（メタデータ） (2024-01-10T08:56:07Z)
• Learning transformer-based heterogeneously salient graph representation for multimodal remote sensing image classification [42.15709954199397]
  本稿では,変圧器を用いたヘテロジニアサリエントグラフ表現法(THSGR)を提案する。 まず、多モード不均一グラフエンコーダを用いて、非ユークリッド構造の特徴を異種データから符号化する。 自己アテンションフリーなマルチ畳み込み変調器は、効果的かつ効率的な長期依存性モデリングのために設計されている。
  論文  参考訳（メタデータ） (2023-11-17T04:06:20Z)
• Parameters for > 300 million Gaia stars: Bayesian inference vs. machine learning [0.0]
  本稿では,ガイアDR3から基本恒星パラメータを抽出する方法と地上観測データについて述べる。 単純なニューラルネットアーキテクチャやツリーベースのアルゴリズムであっても、競合する結果の予測に成功し、規模を小さくすることを示す。
  論文  参考訳（メタデータ） (2023-02-14T12:04:41Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)

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。