論文の概要: WATSON-Net: Vetting, Validation, and Analysis of Transits from Space Observations with Neural Networks

• arxiv url: http://arxiv.org/abs/2511.08768v1
• Date: Thu, 13 Nov 2025 01:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.224373
• Title: WATSON-Net: Vetting, Validation, and Analysis of Transits from Space Observations with Neural Networks
• Title（参考訳）: WATSON-Net: ニューラルネットワークを用いた宇宙観測からの遷移のベッティング、検証、解析
• Authors: M. Dévora-Pajares, F. J. Pozuelos, J. C. Suárez, M. González-Penedo, C. Dafonte,
• Abstract要約: WATSON-Netは、最先端のツールと競合するように設計された、オープンソースのニューラルネットワーク分類器とデータ準備パッケージである。 10倍のクロスバリデーションを用いたKepler Q1-Q17 DR25データに基づいて、WATSON-Netは10個の独立したモデルを生成し、それぞれ専用のテストセットで評価する。 Keplerのターゲットでは、WATSON-Netは0.903の0.99(R@P0.99)のリコール精度を達成し、ExoMinerネットワークのみの性能が向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context. As the number of detected transiting exoplanet candidates continues to grow, the need for robust and scalable automated tools to prioritize or validate them has become increasingly critical. Among the most promising solutions, deep learning models offer the ability to interpret complex diagnostic metrics traditionally used in the vetting process. Aims. In this work, we present WATSON-Net, a new open-source neural network classifier and data preparation package designed to compete with current state-of-the-art tools for vetting and validation of transiting exoplanet signals from space-based missions. Methods. Trained on Kepler Q1-Q17 DR25 data using 10-fold cross-validation, WATSON-Net produces ten independent models, each evaluated on dedicated validation and test sets. The ten models are calibrated and prepared to be extensible for TESS data by standardizing the input pipeline, allowing for performance assessment across different space missions. Results. For Kepler targets, WATSON-Net achieves a recall-at-precision of 0.99 (R@P0.99) of 0.903, ranking second, with only the ExoMiner network performing better (R@P0.99 = 0.936). For TESS signals, WATSON-Net emerges as the best-performing non-fine-tuned machine learning classifier, achieving a precision of 0.93 and a recall of 0.76 on a test set comprising confirmed planets and false positives. Both the model and its data preparation tools are publicly available in the dearwatson Python package, fully open-source and integrated into the vetting engine of the SHERLOCK pipeline.
• Abstract（参考訳）: コンテキスト。 検出された太陽系外惑星候補の数は増え続けており、それらを優先順位付けまたは検証するための堅牢でスケーラブルな自動化ツールの必要性がますます重要になっている。 最も有望なソリューションの1つとして、ディープラーニングモデルは、ベッティングプロセスで伝統的に使用されている複雑な診断メトリクスを解釈する機能を提供する。 エイムズ。 本研究では、宇宙からの太陽系外惑星信号の検証と検証を行う最先端ツールと競合するように設計された、新しいオープンソースのニューラルネットワーク分類器およびデータ準備パッケージであるWATSON-Netを提案する。 メソッド。 10倍のクロスバリデーションを用いたKepler Q1-Q17 DR25データに基づいて、WATSON-Netは10個の独立したモデルを生成し、それぞれが専用の検証とテストセットに基づいて評価される。 10つのモデルは、入力パイプラインを標準化することで、TESSデータのために調整され、拡張可能である。 結果。 Kepler のターゲットでは、WATSON-Net は 0.903 のリコール精度 0.99 (R@P0.99) を達成し、ExoMiner ネットワークのみの性能が向上した(R@P0.99 = 0.936)。 TESS信号では、WATSON-Netは最も高性能な非微調整機械学習分類器として登場し、惑星と偽陽性からなるテストセット上で精度0.93とリコール0.76を達成する。 モデルとデータ準備ツールはいずれも,すべてオープンソースとして公開されており,SHERLOCKパイプラインのベッティングエンジンに統合されている。

関連論文リスト

• Handling Extreme Class Imbalance: Using GANs in Data Augmentation for Suicide Prediction [0.0]
  十分な正のサンプルを持つ実データはまれであり、極端なクラス不均衡を引き起こす。 我々は機械学習(ML)を利用して、Geneversarative Adrial Networks(GAN)のようなモデルとディープラーニング(DL)技術を構築しました。 GANは自殺防止モデリングを支援するために合成データを生成する上で重要な役割を果たした。
  論文  参考訳（メタデータ） (2025-10-20T15:35:39Z)
• SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。 提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• Testing RadiX-Nets: Advances in Viable Sparse Topologies [0.9555447998395205]
  ハイパーパラメタライズドディープニューラルネットワーク(DNN)のスパシフィケーションは、複雑なデータのより単純な表現を生成する。 DNNのサブグループであるRadiX-Netsは、ニューラルネットワークの欠如に対処するランタイムを維持している。 本稿では,スケーラブルモデルにおけるRadiX-Netsのテストスイートを提案する。
  論文  参考訳（メタデータ） (2023-11-06T23:27:28Z)
• Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
  産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。 コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。 Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:00:05Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Machine Learning for Searching the Dark Energy Survey for Trans-Neptunian Objects [0.0]
  ダークエネルギーサーベイ(DES)データ中のTNO(Trans-Neptunian Objects)の探索効率を機械学習により向上させる方法について検討した。
  論文  参考訳（メタデータ） (2020-09-27T14:36:37Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• Increasing Trustworthiness of Deep Neural Networks via Accuracy Monitoring [20.456742449675904]
  ディープニューラルネットワーク(DNN)の推論精度は重要なパフォーマンス指標であるが、実際のテストデータセットによって大きく異なる可能性がある。 これにより、特に安全クリティカルなアプリケーションにおいて、DNNの信頼性に関する重要な懸念が持ち上がっている。 本稿では、DNNのソフトマックス確率出力のみを入力とするニューラルネットワークに基づく精度監視モデルを提案する。
  論文  参考訳（メタデータ） (2020-07-03T03:09:36Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。