論文の概要: Classification of Transient Astronomical Object Light Curves Using LSTM Neural Networks

• arxiv url: http://arxiv.org/abs/2511.17564v1
• Date: Thu, 13 Nov 2025 20:51:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.281201
• Title: Classification of Transient Astronomical Object Light Curves Using LSTM Neural Networks
• Title（参考訳）: LSTMニューラルネットワークを用いた一過性天体光曲線の分類
• Authors: Guilherme Grancho D. Fernandes, Marco A. Barroca, Mateus dos Santos, Rafael S. Oliveira,
• Abstract要約: マスク層を有する双方向LSTMネットワークをトレーニングし,19,920個のオブジェクトを用いて評価した。 このモデルはS-Likeクラスと周期クラスで強い性能を達成し、OC領域は0.95と0.99の曲線(AUC)である。 部分光曲線データによる評価では,S-likeクラスに対する誤分類が増大し,大幅な性能劣化が認められた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study presents a bidirectional Long Short-Term Memory (LSTM) neural network for classifying transient astronomical object light curves from the Photometric LSST Astronomical Time-series Classification Challenge (PLAsTiCC) dataset. The original fourteen object classes were reorganized into five generalized categories (S-Like, Fast, Long, Periodic, and Non-Periodic) to address class imbalance. After preprocessing with padding, temporal rescaling, and flux normalization, a bidirectional LSTM network with masking layers was trained and evaluated on a test set of 19,920 objects. The model achieved strong performance for S-Like and Periodic classes, with ROC area under the curve (AUC) values of 0.95 and 0.99, and Precision-Recall AUC values of 0.98 and 0.89, respectively. However, performance was significantly lower for Fast and Long classes (ROC AUC of 0.68 for Long class), and the model exhibited difficulty distinguishing between Periodic and Non-Periodic objects. Evaluation on partial light curve data (5, 10,and 20 days from detection) revealed substantial performance degradation, with increased misclassification toward the S-Like class. These findings indicate that class imbalance and limited temporal information are primary limitations, suggesting that class balancing strategies and preprocessing techniques focusing on detection moments could improve performance.
• Abstract（参考訳）: 本研究では、光度LSST天文時系列分類チャレンジ(PLAsTiCC)データセットから、過渡的な天体光曲線を分類するための双方向長短期記憶(LSTM)ニューラルネットワークを提案する。 元の14のオブジェクトクラスは、クラス不均衡に対応するために5つの一般化されたカテゴリ(S-like, Fast, Long, Periodic, Non-Periodic)に再編成された。 パディング、時間的再スケーリング、フラックス正規化による前処理の後、マスキング層を有する双方向LSTMネットワークを訓練し、19,920個のテストセットで評価した。 このモデルはS-Likeクラスと周期クラスで強い性能を達成し、それぞれ曲線(AUC)の0.95と0.99、精度-リコールAUCの0.98と0.89のROC領域が得られた。 しかし、Fast and Longクラス(ROC AUC 0.68 for Longクラス)では性能が著しく低下し、周期オブジェクトと非周期オブジェクトの区別が困難であった。 部分光曲線データ(検出後5日,10日,20日)では,S-likeクラスに対する誤分類が増大し,大幅な性能劣化が認められた。 これらの結果から,検出モーメントに着目したクラスバランス戦略と事前処理技術により,性能が向上する可能性が示唆された。

関連論文リスト

• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• ORACLE: A Real-Time, Hierarchical, Deep-Learning Photometric Classifier for the LSST [0.3276793654637396]
  ORACLEは、時間的・変動的な天体物理学現象のリアルタイム・文脈的分類のための最初の階層的深層学習モデルである。 ORACLEは Gated Recurrent Units (GRU) を備えたリカレントニューラルネットワークである LSST Astronomical Time-Series Classification Challenge から$sim$0.5M のイベントをトレーニングし、1日の測光観測のみを用いて、最上位(過渡対可変)のマクロ平均精度 0.96 を達成した。
  論文  参考訳（メタデータ） (2025-01-02T19:00:05Z)
• Classification of Operational Records in Aviation Using Deep Learning Approaches [0.0]
  本研究では,商業・軍事・民間の分類課題におけるDP(深層学習)の4つのモデルの性能評価を行った。 モデルのうち、BLSTMは72%の最高精度を達成し、安定性とバランスの取れた分類において優れた性能を示した。 CNNとsRNNは67%と69%の低い精度を示し、プライベートクラスでは大きな誤分類があった。
  論文  参考訳（メタデータ） (2025-01-02T12:12:02Z)
• Disentangling Spatial and Temporal Learning for Efficient Image-to-Video Transfer Learning [59.26623999209235]
  ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。 DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。 5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-14T17:58:33Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Spatiotemporal k-means [39.98633724527769]
  マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。 我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-11-10T04:40:31Z)
• Self-Supervised Class Incremental Learning [51.62542103481908]
  既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。 新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。 本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
  論文  参考訳（メタデータ） (2021-11-18T06:58:19Z)
• Real-time detection of anomalies in large-scale transient surveys [0.0]
  本稿では, 異常な過渡光曲線を自動的にリアルタイムに検出する2つの新しい手法を提案する。 どちらの手法も、既知のトランジェント集団からの光曲線を正確にモデル化できるなら、モデル予測からの偏差は、おそらく異常である、という単純な考え方に基づいている。
  論文  参考訳（メタデータ） (2021-10-29T18:29:25Z)
• The effect of phased recurrent units in the classification of multiple catalogs of astronomical lightcurves [0.0]
  本研究では, LSTM と LSTM をベースとしたアーキテクチャが天文学的な光曲線の分類に有効であることを示す。 その結果,LSTMは6/7データセット上でPSSTMより優れていた。
  論文  参考訳（メタデータ） (2021-06-07T16:01:38Z)
• Paying Attention to Astronomical Transients: Introducing the Time-series Transformer for Photometric Classification [6.586394734694152]
  本稿では,自然言語処理のためのトランスフォーマーアーキテクチャを提案する。 時系列変換器をフォトメトリック分類のタスクに適用し、エキスパートドメイン知識の信頼性を最小化する。 我々は、光度LSST天文時系列分類チャレンジのデータを用いて、不均衡なデータに対する0.507の対数ロスを達成する。
  論文  参考訳（メタデータ） (2021-05-13T10:16:13Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)

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。