論文の概要: Exoplanet Classification through Vision Transformers with Temporal Image Analysis

• arxiv url: http://arxiv.org/abs/2506.16597v1
• Date: Thu, 19 Jun 2025 20:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.253953
• Title: Exoplanet Classification through Vision Transformers with Temporal Image Analysis
• Title（参考訳）: 時間画像解析による視覚変換器による外惑星分類
• Authors: Anupma Choudhary, Sohith Bandari, B. S. Kushvah, C. Swastik,
• Abstract要約: 我々は、NASAのケプラーミッションからグラミアン・Angular Fields(GAF)とRecurrence Plots(RP)に生光曲線データを変換する手法を提案する。 これらの変換されたイメージはビジョントランスフォーマー(ViT)モデルへの入力として機能し、複雑な時間的依存関係をキャプチャする能力を活用する。 モデルの性能を5倍のクロスバリデーション手法を用いてリコール,精度,F1スコアの指標を用いて評価し,モデルの性能のロバストな推定値を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classification of exoplanets has been a longstanding challenge in astronomy, requiring significant computational and observational resources. Traditional methods demand substantial effort, time, and cost, highlighting the need for advanced machine learning techniques to enhance classification efficiency. In this study, we propose a methodology that transforms raw light curve data from NASA's Kepler mission into Gramian Angular Fields (GAFs) and Recurrence Plots (RPs) using the Gramian Angular Difference Field and recurrence plot techniques. These transformed images serve as inputs to the Vision Transformer (ViT) model, leveraging its ability to capture intricate temporal dependencies. We assess the performance of the model through recall, precision, and F1 score metrics, using a 5-fold cross-validation approach to obtain a robust estimate of the model's performance and reduce evaluation bias. Our comparative analysis reveals that RPs outperform GAFs, with the ViT model achieving an 89.46$\%$ recall and an 85.09$\%$ precision rate, demonstrating its significant capability in accurately identifying exoplanetary transits. Despite using under-sampling techniques to address class imbalance, dataset size reduction remains a limitation. This study underscores the importance of further research into optimizing model architectures to enhance automation, performance, and generalization of the model.
• Abstract（参考訳）: 太陽系外惑星の分類は天文学における長年の課題であり、重要な計算資源と観測資源を必要とする。 従来の手法ではかなりの労力、時間、コストを必要としており、分類効率を高めるための高度な機械学習技術の必要性を強調している。 本研究では,NASAのケプラーミッションからグラミアン・Angular Fields(GAF)とRecurrence Plots(RP)に生光曲線データを変換する手法を提案する。 これらの変換されたイメージはビジョントランスフォーマー(ViT)モデルへの入力として機能し、複雑な時間的依存関係をキャプチャする能力を活用する。 モデルの性能を5倍のクロスバリデーション手法を用いてリコール,精度,F1スコアの指標を用いて評価し,モデルの性能のロバストな推定と評価バイアスの低減を図る。 我々の比較分析では、RPがGAFよりも優れており、ViTモデルは89.46$\%$リコールと85.09$\%$精度で達成され、太陽系外惑星のトランジットを正確に識別する重要な能力を示している。 クラス不均衡に対処するためにアンダーサンプリング技術を使用しているにもかかわらず、データセットサイズ削減は制限されている。 本研究は,モデルの自動化,性能,一般化を促進するため,モデルアーキテクチャの最適化に関するさらなる研究の重要性を浮き彫りにするものである。

関連論文リスト

• Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
  トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。 本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。 AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-05-24T05:17:53Z)
• Scaling Laws for Emulation of Stellar Spectra [0.0]
  最適な性能を達成するために、トランスフォーマーベースのスペクトルエミュレータをスケーリングするためのトレーニングガイドラインを提供する。 この結果から,最適計算資源割り当てにはバランスの取れたスケーリングが必要であることが示唆された。 本研究は、拡張されたドメイン転送機能を持つスペクトル基底モデルを開発するための基盤を確立する。
  論文  参考訳（メタデータ） (2025-03-24T12:20:24Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Hyperspectral Images Efficient Spatial and Spectral non-Linear Model with Bidirectional Feature Learning [7.06787067270941]
  本稿では,分類精度を高めつつ,データ量を大幅に削減する新しいフレームワークを提案する。 本モデルでは,空間特徴解析のための特殊ブロックによって補完されるスペクトル特徴を効率よく抽出するために,双方向逆畳み込みニューラルネットワーク(CNN)を用いる。
  論文  参考訳（メタデータ） (2024-11-29T23:32:26Z)
• Learning on Transformers is Provable Low-Rank and Sparse: A One-layer Analysis [63.66763657191476]
  低ランク計算としての効率的な数値学習と推論アルゴリズムはトランスフォーマーに基づく適応学習に優れた性能を持つことを示す。 我々は、等級モデルが適応性を改善しながら一般化にどのように影響するかを分析する。 適切なマグニチュードベースのテストは,テストパフォーマンスに多少依存している,と結論付けています。
  論文  参考訳（メタデータ） (2024-06-24T23:00:58Z)
• Uncovering the Hidden Cost of Model Compression [43.62624133952414]
  視覚プロンプティングは、コンピュータビジョンにおける伝達学習の重要な方法として登場した。 モデル圧縮は視覚的プロンプトベース転送の性能に有害である。 しかし、量子化によってモデルが圧縮されるとき、キャリブレーションに対する負の効果は存在しない。
  論文  参考訳（メタデータ） (2023-08-29T01:47:49Z)
• 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)

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。