論文の概要: deep-REMAP: Probabilistic Parameterization of Stellar Spectra Using Regularized Multi-Task Learning
- arxiv url: http://arxiv.org/abs/2510.09362v1
- Date: Fri, 10 Oct 2025 13:20:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 04:53:46.941674
- Title: deep-REMAP: Probabilistic Parameterization of Stellar Spectra Using Regularized Multi-Task Learning
- Title（参考訳）: Deep-REMAP:正規化マルチタスク学習を用いたステレオスペクトルの確率的パラメータ化
- Authors: Sankalp Gilda,
- Abstract要約: Deep-REMAPは、観測されたスペクトルから恒星の大気パラメータを予測するために、正規化されたマルチタスクアプローチを利用する新しいディープラーニングフレームワークである。
我々は、PHOENIX合成スペクトルライブラリ上で深層畳み込みニューラルネットワークを訓練し、転送学習を用いて、観測されたFGK準スペクトルの小さなサブセットでモデルを微調整する。
Deep-REMAPは有効温度(T_rmeff$)、表面重力(log rmg$)、金属性([Fe/H])を正確に回復し、例えば約75KのTの精度を達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the era of exploding survey volumes, traditional methods of spectroscopic analysis are being pushed to their limits. In response, we develop deep-REMAP, a novel deep learning framework that utilizes a regularized, multi-task approach to predict stellar atmospheric parameters from observed spectra. We train a deep convolutional neural network on the PHOENIX synthetic spectral library and use transfer learning to fine-tune the model on a small subset of observed FGK dwarf spectra from the MARVELS survey. We then apply the model to 732 uncharacterized FGK giant candidates from the same survey. When validated on 30 MARVELS calibration stars, deep-REMAP accurately recovers the effective temperature ($T_{\rm{eff}}$), surface gravity ($\log \rm{g}$), and metallicity ([Fe/H]), achieving a precision of, for instance, approximately 75 K in $T_{\rm{eff}}$. By combining an asymmetric loss function with an embedding loss, our regression-as-classification framework is interpretable, robust to parameter imbalances, and capable of capturing non-Gaussian uncertainties. While developed for MARVELS, the deep-REMAP framework is extensible to other surveys and synthetic libraries, demonstrating a powerful and automated pathway for stellar characterization.
- Abstract（参考訳）: 爆発する調査巻の時代には、分光分析の伝統的な手法が限界まで押し上げられている。
そこで我々は,観測スペクトルから恒星の大気パラメータを予測するために,正規化マルチタスクアプローチを利用した新しい深層学習フレームワークであるDeep-REMAPを開発した。
我々は、PHOENIX合成スペクトルライブラリ上で深部畳み込みニューラルネットワークを訓練し、MARVELSサーベイから観測されたFGKサブセットのモデルを微調整するために転送学習を使用する。
次に、同じ調査から、732の非文字化FGK候補に適用する。
30個のMARVELSキャリブレーション星上で検証されると、ディープREMAPは有効温度(T_{\rm{eff}}$)、表面重力(\log \rm{g}$)、金属性([Fe/H])を正確に回復し、例えば、約75KのT_{\rm{eff}}$を精度良く達成する。
非対称な損失関数と埋め込み損失を組み合わせることで、回帰分類フレームワークは解釈可能であり、パラメータの不均衡に頑健であり、非ガウス的不確実性を捉えることができる。
MARVELSのために開発されたが、ディープREMAPフレームワークは他のサーベイや合成ライブラリにも拡張可能であり、星のキャラクタリゼーションのための強力で自動化された経路を示す。
関連論文リスト
- Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - REAL Sampling: Boosting Factuality and Diversity of Open-Ended Generation via Asymptotic Entropy [93.8400683020273]
大規模言語モデル(LLM)の復号法は通常、事実性の確保と多様性の維持のトレードオフに苦慮する。
核サンプリングにおける事実性および多様性を向上させる復号法であるREALサンプリングを提案する。
論文 参考訳（メタデータ） (2024-06-11T21:44:49Z) - Using autoencoders and deep transfer learning to determine the stellar parameters of 286 CARMENES M dwarfs [0.0]
本稿では,高分解能スペクトルから恒星パラメータを決定するために,オートエンコーダに基づく特徴量に基づくディープトランスファー学習(DTL)手法を提案する。
CARMENESサーベイで観測された286M小星の有効温度, 表面重力, 金属性, および投射回転速度の新たな推定法を提案する。
論文 参考訳（メタデータ） (2024-05-14T15:42:27Z) - Data-free Weight Compress and Denoise for Large Language Models [96.68582094536032]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。
キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文 参考訳（メタデータ） (2024-02-26T05:51:47Z) - deep-REMAP: Parameterization of Stellar Spectra Using Regularized
Multi-Task Learning [0.0]
確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$)
我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2023-11-07T05:41:48Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳（メタデータ） (2023-10-30T18:43:21Z) - Local primordial non-Gaussianity from the large-scale clustering of photometric DESI luminous red galaxies [5.534428269834764]
我々は、Dark Energy Spectroscopic Instruments(DESI)による局所原始非ガウス性パラメータ$fnl$を制約するために、光赤銀河の角度クラスタリングを用いる。
このサンプルは1200万以上の目標からなり、空の14,000平方度をカバーし、赤方偏移は0.2 z 1.35$である。
我々は, 銀河の絶滅, 調査深度, 天体観測を系統的誤りの主な原因とみなし, 大規模での非宇宙的余剰クラスタリングを緩和するために線形回帰と人工ニューラルネットワークを用いる。
論文 参考訳（メタデータ） (2023-07-04T14:49:23Z) - Estimation of stellar atmospheric parameters from LAMOST DR8
low-resolution spectra with 20$\leq$SNR$<$30 [2.514059405625551]
本研究は、LAMOST DR8低分解能スペクトルに対する$T_texttteff, logg$, [Fe/H] 推定問題を20$leq$SNR$30で検討した。
T_texttteff, logg$, [Fe/H] の平均絶対誤差は LASP (137.6 K, 0.195 dex, 0.091 dex) からLASSO-MLP (84.32 K, 0.137 dex) に還元される。
論文 参考訳（メタデータ） (2022-04-13T11:09:24Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Shaping Deep Feature Space towards Gaussian Mixture for Visual
Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。
分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。
提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文 参考訳（メタデータ） (2020-11-18T03:32:27Z)
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。