論文の概要: RAVEN: RAnking and Validation of ExoplaNets

• arxiv url: http://arxiv.org/abs/2509.17645v1
• Date: Mon, 22 Sep 2025 11:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.354685
• Title: RAVEN: RAnking and Validation of ExoplaNets
• Title（参考訳）: RAVEN: ExoplaNetsのRankingとバリデーション
• Authors: Andreas Hadjigeorghiou, David J. Armstrong, Kaiming Cui, Marina Lafarga Magro, Luis Agustín Nieto, Rodrigo F. Díaz, Lauren Doyle, Vedad Kunovac,
• Abstract要約: 本稿では,TESS外惑星候補に対する新たな検証・検証パイプラインであるRAVENについて述べる。 このパイプラインは、偽陽性(False Positive, FP)の一連のシナリオに対して、惑星である候補の後方確率を導出するためにベイズ的枠組みを用いている。 パイプライン全体の精度は91%に達し、TESS候補の自動ランク付けの有効性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present RAVEN, a newly developed vetting and validation pipeline for TESS exoplanet candidates. The pipeline employs a Bayesian framework to derive the posterior probability of a candidate being a planet against a set of False Positive (FP) scenarios, through the use of a Gradient Boosted Decision Tree and a Gaussian Process classifier, trained on comprehensive synthetic training sets of simulated planets and 8 astrophysical FP scenarios injected into TESS lightcurves. These training sets allow large scale candidate vetting and performance verification against individual FP scenarios. A Non-Simulated FP training set consisting of real TESS candidates caused primarily by stellar variability and systematic noise is also included. The machine learning derived probabilities are combined with scenario specific prior probabilities, including the candidates' positional probabilities, to compute the final posterior probabilities. Candidates with a planetary posterior probability greater than 99% against each FP scenario and whose implied planetary radius is less than 8$R_{\oplus}$ are considered to be statistically validated by the pipeline. In this first version, the pipeline has been developed for candidates with a lightcurve released from the TESS Science Processing Operations Centre, an orbital period between 0.5 and 16 days and a transit depth greater than 300ppm. The pipeline obtained area-under-curve (AUC) scores > 97% on all FP scenarios and > 99% on all but one. Testing on an independent external sample of 1361 pre-classified TOIs, the pipeline achieved an overall accuracy of 91%, demonstrating its effectiveness for automated ranking of TESS candidates. For a probability threshold of 0.9 the pipeline reached a precision of 97% with a recall score of 66% on these TOIs. The RAVEN pipeline is publicly released as a cloud-hosted app, making it easily accessible to the community.
• Abstract（参考訳）: 本稿では,TESS外惑星候補に対する新たな検証・検証パイプラインであるRAVENについて述べる。 このパイプラインは、惑星である候補が偽陽性(False Positive, FP)シナリオの集合に対して後続確率を導出するためにベイズ的枠組みを用いており、TESSライトカーブに注入された8つの天体物理FPシナリオとシミュレーションされた惑星の総合的な合成訓練セットに基づいて訓練された勾配ブースト決定木とガウス的プロセス分類器を用いている。 これらのトレーニングセットは、個々のFPシナリオに対する大規模候補検証とパフォーマンス検証を可能にする。 恒星の変動と体系的な雑音によって引き起こされる実TESS候補からなる非シミュレーションFPトレーニングセットも含んでいる。 機械学習派生確率は、候補の位置確率を含むシナリオ固有の事前確率と組み合わせて、最終的な後部確率を算出する。 それぞれのFPシナリオに対して99%以上の惑星後縁確率を持つ候補で、8$R_{\oplus}$未満の惑星半径を持つ候補は、パイプラインによって統計的に検証されると考えられている。 この最初のバージョンでは、パイプラインはTESS Science Processing Operations Centreから放出された光曲線、0.5日から16日間の軌道周期、300ppm以上の遷移深度を持つ候補のために開発された。 パイプラインは,全FPシナリオで97%,全FPシナリオで99%,AUC(Area-under-curve)で99%のスコアを得た。 1361の事前分類されたTOIの独立した外部サンプルを用いて、パイプラインは全体の91%の精度を達成し、TESS候補の自動ランク付けの有効性を実証した。 0.9の確率閾値では、パイプラインは97%の精度に達し、これらのTOIのリコールスコアは66%に達した。 RAVENパイプラインは、クラウドでホストされたアプリケーションとして公開されており、コミュニティに容易にアクセスすることができる。

関連論文リスト

• Tube Loss: A Novel Approach for Prediction Interval Estimation and probabilistic forecasting [17.472882720712118]
  本稿では,予測区間の境界値の同時推定のための新しい損失関数「タブロス」を提案する。 管損失に基づく経験的リスクを最小化して得られたPIは、既存の方法によるPIよりも高品質であることが示されている。
  論文  参考訳（メタデータ） (2024-12-08T15:17:53Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Non-Probability Sampling Network for Stochastic Human Trajectory Prediction [16.676008193894223]
  歩行者の軌跡予測を組み込むためには,マルチモーダルな性質の獲得が不可欠である。 本稿では,従来のランダムサンプリングの代替として,サンプリング空間の均一なカバレッジを確保するQuasi-Carlo法を提案する。 我々は、学習可能なサンプリングネットワークを既存のネットワークに導入し、軌道予測を行う。
  論文  参考訳（メタデータ） (2022-03-25T06:41:47Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Exoplanet Validation with Machine Learning: 50 new validated Kepler planets [13.986963122264633]
  現在知られている4000個の太陽系外惑星のうち30%以上が「検証」によって発見されている。 本稿では,事前確率を考慮した確率論的惑星検証を行うための機械学習アルゴリズムを実証する。
  論文  参考訳（メタデータ） (2020-08-24T15:35:21Z)

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。