論文の概要: Repeating vs. Non-Repeating FRBs: A Deep Learning Approach To Morphological Characterization

• arxiv url: http://arxiv.org/abs/2509.06208v1
• Date: Sun, 07 Sep 2025 21:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.9043
• Title: Repeating vs. Non-Repeating FRBs: A Deep Learning Approach To Morphological Characterization
• Title（参考訳）: 繰り返し対非繰り返しFRB:形態的特徴の深層学習アプローチ
• Authors: Bikash Kharel, Emmanuel Fonseca, Charanjot Brar, Afrokk Khan, Lluis Mas-Ribas, Swarali Shivraj Patil, Paul Scholz, Seth Robert Siegel, David C. Stenning,
• Abstract要約: CHIME/FRB Catalog 2から記録された動的スペクトルに基づいて符号化された形態に基づく高速電波バースト(FRB)の分類のための深層学習手法 深層学習モデルは推論に利用できるため、FRBの形状が反復器や非反復器と似ているかどうかを予測できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a deep learning approach to classify fast radio bursts (FRBs) based purely on morphology as encoded on recorded dynamic spectrum from CHIME/FRB Catalog 2. We implemented transfer learning with a pretrained ConvNext architecture, exploiting its powerful feature extraction ability. ConvNext was adapted to classify dedispersed dynamic spectra (which we treat as images) of the FRBs into one of the two sub-classes, i.e., repeater and non-repeater, based on their various temporal and spectral properties and relation between the sub-pulse structures. Additionally, we also used mathematical model representation of the total intensity data to interpret the deep learning model. Upon fine-tuning the pretrained ConvNext on the FRB spectrograms, we were able to achieve high classification metrics while substantially reducing training time and computing power as compared to training a deep learning model from scratch with random weights and biases without any feature extraction ability. Importantly, our results suggest that the morphological differences between CHIME repeating and non-repeating events persist in Catalog 2 and the deep learning model leveraged these differences for classification. The fine-tuned deep learning model can be used for inference, which enables us to predict whether an FRB's morphology resembles that of repeaters or non-repeaters. Such inferences may become increasingly significant when trained on larger data sets that will exist in the near future.
• Abstract（参考訳）: 本稿では,CHIME/FRB Catalog 2から記録された動的スペクトルに符号化された形態に基づく高速電波バースト(FRB)の分類法を提案する。 我々は、その強力な特徴抽出能力を利用して、事前訓練されたConvNextアーキテクチャで転送学習を実装した。 ConvNextは、FRBの分散されたダイナミックスペクトル(画像として扱う)を、様々な時間的およびスペクトル特性とサブパルス構造の関係に基づいて、リピータと非リピータの2つのサブクラスのうちの1つに分類するように適応された。 さらに,全強度データの数学的モデル表現を用いて,深層学習モデルの解釈を行った。 FRBスペクトログラムで事前学習したConvNextを微調整すると、特徴抽出能力のないランダムウェイトとバイアスでディープラーニングモデルをスクラッチからトレーニングするのに比べ、トレーニング時間と計算能力を大幅に削減し、高い分類基準を達成できた。 その結果,Catalog 2とディープラーニングモデルではCHIME繰り返しイベントと非繰り返しイベントのモルフォロジー的差異が持続していることが示唆された。 微調整深層学習モデルを推論に使用することにより,FRBの形状がリピータと非リピータに類似しているかどうかを予測できる。 このような推測は、近い将来に存在するであろう大きなデータセットで訓練されると、ますます重要になるかもしれない。

関連論文リスト

• rETF-semiSL: Semi-Supervised Learning for Neural Collapse in Temporal Data [44.17657834678967]
  本稿では,ニューラル・コラプス現象を満たす潜在表現を強制する,新しい半教師付き事前学習戦略を提案する。 LSTM, トランスフォーマー, 状態空間モデルに適用した場合, 従来のプリテキストタスクよりも有意に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-13T19:16:47Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Fixed Random Classifier Rearrangement for Continual Learning [0.5439020425819]
  視覚分類のシナリオでは、ニューラルネットワークは新しいタスクを学習した後、必然的に古いタスクの知識を忘れる。 我々はFixed Random Rearrangement (FRCR)という連続学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-23T09:43:58Z)
• Improving Primate Sounds Classification using Binary Presorting for Deep Learning [6.044912425856236]
  本稿では,MELスペクトル表現のサブセグメンテーションを初めてリラベルする一般化アプローチを提案する。 バイナリプリソートと分類の両方において、畳み込みニューラルネットワーク(CNN)と様々なデータ拡張技術を利用する。 本研究は,異なる霊長類種の音の分類を課題とする,挑戦的なTextitComparE 2021データセットについて,本手法の結果を紹介する。
  論文  参考訳（メタデータ） (2023-06-28T09:35:09Z)
• Leveraging Angular Information Between Feature and Classifier for Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
  分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。 予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。 CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
  論文  参考訳（メタデータ） (2022-12-03T07:52:48Z)
• Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
  カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。 本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-23T12:52:49Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• A Convolutional Deep Markov Model for Unsupervised Speech Representation Learning [32.59760685342343]
  確率的潜在変数モデルは、音声からの言語表現学習のための自己教師付き学習アプローチの代替を提供する。 本研究では,深いニューラルネットワークによってモデル化された非線形放出と遷移関数を持つガウス状態空間モデルであるConvDMMを提案する。 大規模音声データセット(LibriSpeech)で訓練すると、ConvDMMは複数の自己教師付き特徴抽出法よりもはるかに優れた特徴を生成する。
  論文  参考訳（メタデータ） (2020-06-03T21:50:20Z)

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。