論文の概要: RGC: a radio AGN classifier based on deep learning. I. A semi-supervised model for the VLA images of bent radio AGNs
- arxiv url: http://arxiv.org/abs/2510.22190v1
- Date: Sat, 25 Oct 2025 06:55:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:14.905223
- Title: RGC: a radio AGN classifier based on deep learning. I. A semi-supervised model for the VLA images of bent radio AGNs
- Title（参考訳）: RGC: 深層学習に基づく無線AGN分類法 I. 屈曲AGNのVLA画像に対する半教師付きモデル
- Authors: M. S. Hossain, M. S. H. Shahal, A. Khan, K. M. B. Asad, P. Saikia, F. Akter, A. Ali, M. A. Amin, A. Momen, M. Hasan, A. K. M. M. Rahman,
- Abstract要約: RGC Python package for training wide-angle tail (WAT) and narrow-angle tail (NAT) radio active galactic nucleus (RAGNs)。
このパッケージには、639のWATとNATのラベル付きデータセットが新たに2つ含まれており、2万のラベルなしRAGNを利用する半教師付きRCCモデルが含まれている。
RGCモデルは最高性能に達し、精度は88.88%、F1スコアはWATが0.90、NATが0.85である。
- 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: Wide-angle tail (WAT) and narrow-angle tail (NAT) radio active galactic nuclei (RAGNs) are key tracers of dense environments in galaxy groups and clusters, yet no machine-learning classifier of bent RAGNs has been trained using both unlabeled data and purely visually inspected labels. We release the RGC Python package, which includes two newly preprocessed labeled datasets of 639 WATs and NATs derived from a publicly available catalog of visually inspected sources, along with a semi-supervised RGC model that leverages 20,000 unlabeled RAGNs. The two labeled datasets in RGC were preprocessed using PyBDSF which retains spurious sources, and Photutils which removes them. The RGC model integrates the self-supervised framework BYOL (Bootstrap YOur Latent) with the supervised E2CNN (E2-equivariant Convolutional Neural Network) to form a semi-supervised binary classifier. The RGC model, when trained and evaluated on a dataset devoid of spurious sources, reaches peak performance, attaining an accuracy of 88.88% along with F1-scores of 0.90 for WATs and 0.85 for NATs. The model's attention patterns amid class imbalance suggest that this work can serve as a stepping stone toward developing physics-informed foundation models capable of identifying a broad range of AGN physical properties.
- Abstract（参考訳）: 広角尾 (WAT) と狭角尾 (NAT) の放射能銀河核 (RAGN) は銀河団や銀河団の高密度環境のキートレーサであるが、ラベルのないデータと純粋に視覚的に検査されたラベルを用いて、曲がったRAGNの機械学習分類器を訓練していない。
RGC Pythonパッケージは、639のWATとNATのラベル付きデータセットを新たに2つ用意し、2万のラベルなしRAGNを利用する半教師付きRCCモデルとともに公開している。
RGCの2つのラベル付きデータセットは、スプリアスソースを保持するPyBDSFとそれらを除去するPhotutilsを使用して前処理された。
RGCモデルは、自己教師付きフレームワークBYOL(Bootstrap YOur Latent)と教師付きE2CNN(E2-equivariant Convolutional Neural Network)を統合し、半教師付きバイナリ分類器を形成する。
RGCモデルは、スプリアスソースのないデータセットでトレーニングされ評価されると、88.88%の精度に達し、WATではF1スコアが0.90、NATでは0.85である。
クラス不均衡の中でのモデルの注意パターンは、この研究が、幅広いAGN物理特性を識別できる物理インフォームド基礎モデルを開発するための足掛かりとなることを示唆している。
関連論文リスト
- RGC-Bent: A Novel Dataset for Bent Radio Galaxy Classification [0.6684911303788182]
ベント放射能銀河核(AGN)は銀河団のダイナミクス、銀河団内の相互作用、AGNのより広い物理に関する洞察を提供する。
本稿では、天文学的な観測において、曲がった放射能銀河核(AGN)の分類に適した新しい機械学習データセットを提案する。
論文 参考訳（メタデータ） (2025-05-25T17:57:47Z) - GraphBridge: Towards Arbitrary Transfer Learning in GNNs [65.01790632978962]
GraphBridgeは、GNNの異なるタスクやドメイン間での知識伝達を可能にする新しいフレームワークである。
予測ヘッドと入力を出力層に接続するブリッジングネットワークを備えた、事前訓練されたGNNの拡張を可能にする。
これらのシナリオを代表する16以上のデータセットで実施された実証検証では、タスクとドメインに依存しないトランスファー学習のためのフレームワークの能力が確認されている。
論文 参考訳（メタデータ） (2025-02-26T15:57:51Z) - Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。
本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文 参考訳（メタデータ） (2024-04-26T06:00:27Z) - Identifying Light-curve Signals with a Deep Learning Based Object
Detection Algorithm. II. A General Light Curve Classification Framework [0.0]
弱教師付き物体検出モデルを用いて光曲線を分類するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,光曲線とパワースペクトルの両方に最適なウィンドウを自動同定し,対応するデータにズームインする。
我々は、変動星と過渡星の宇宙と地上の両方のマルチバンド観測から得られたデータセットに基づいてモデルを訓練する。
論文 参考訳（メタデータ） (2023-11-14T11:08:34Z) - Morphological Classification of Radio Galaxies using Semi-Supervised
Group Equivariant CNNs [0.0]
推定数兆個の銀河のうち、約100万個のみが電波で検出されている。
本稿では,Farioff-Riley Type I (FRI)とFRII Type II (FRII)に分類するために,半教師付き学習手法を用いる。
The Group Equivariant Convolutional Neural Network (G-CNN) was used as an encoder of the state-of-the-the-art self-supervised method SimCLR and BYOL。
論文 参考訳（メタデータ） (2023-05-31T06:50:32Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳（メタデータ） (2023-03-24T11:12:37Z) - Self-supervised Heterogeneous Graph Pre-training Based on Structural
Clustering [20.985559149384795]
SHGP(Self-supervised Heterogeneous Graph Pre-training approach)を提案する。
肯定的な例や否定的な例を生成する必要はない。
最先端の教師なしベースラインや半教師なしベースラインよりも優れている。
論文 参考訳（メタデータ） (2022-10-19T10:55:48Z) - Neural Attentive Circuits [93.95502541529115]
我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。
NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。
NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
論文 参考訳（メタデータ） (2022-10-14T18:00:07Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z) - Improving Contrastive Learning on Imbalanced Seed Data via Open-World
Sampling [96.8742582581744]
我々は、Model-Aware K-center (MAK)と呼ばれるオープンワールドなラベルなしデータサンプリングフレームワークを提案する。
MAKは、尾性、近接性、多様性の3つの単純な原則に従う。
我々はMAKが学習した機能の全体的な表現品質とクラスバランス性の両方を継続的に改善できることを実証した。
論文 参考訳（メタデータ） (2021-11-01T15:09:41Z)
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。