論文の概要: Compact neural networks for astronomy with optimal transport bias correction
- arxiv url: http://arxiv.org/abs/2511.18139v1
- Date: Sat, 22 Nov 2025 17:52:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.645942
- Title: Compact neural networks for astronomy with optimal transport bias correction
- Title（参考訳）: 最適輸送バイアス補正を用いた天文学のためのコンパクトニューラルネットワーク
- Authors: Shuhuan Wang, Yuzhen Xie, Jiayi Li,
- Abstract要約: 本稿では,ウェーブレット分解と状態空間モデリングを統合した理論駆動フレームワークであるWaveletMambaを紹介する。
WaveletMambaは、64x64解像度で81.72%+/-0.53%の分類精度を達成し、パラメータはわずか3.54Mである。
数学的厳密さは、科学AIにおける前例のない効率性と包括的バイアス補正を可能にすることを示す。
- 参考スコア（独自算出の注目度）: 3.879978223242245
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Astronomical imaging confronts an efficiency-resolution tradeoff that limits large-scale morphological classification and redshift prediction. We introduce WaveletMamba, a theory-driven framework integrating wavelet decomposition with state-space modeling, mathematical regularization, and multi-level bias correction. WaveletMamba achieves 81.72% +/- 0.53% classification accuracy at 64x64 resolution with only 3.54M parameters, delivering high-resolution performance (80.93% +/- 0.27% at 244x244) at low-resolution inputs with 9.7x computational efficiency gains. The framework exhibits Resolution Multistability, where models trained on low-resolution data achieve consistent accuracy across different input scales despite divergent internal representations. The framework's multi-level bias correction synergizes HK distance (distribution-level optimal transport) with Color-Aware Weighting (sample-level fine-tuning), achieving 22.96% Log-MSE improvement and 26.10% outlier reduction without explicit selection function modeling. Here, we show that mathematical rigor enables unprecedented efficiency and comprehensive bias correction in scientific AI, bridging computer vision and astrophysics to revolutionize interdisciplinary scientific discovery.
- Abstract（参考訳）: 天文学的な画像は、大規模な形態分類と赤方偏移予測を制限する効率の高いトレードオフに直面している。
本稿では,ウェーブレット分解を状態空間モデル,数学的正規化,多レベルバイアス補正と統合した理論駆動フレームワークであるWaveletMambaを紹介する。
WaveletMambaは、64x64解像度で81.72%+/-0.53%の分類精度を3.54Mパラメータで達成し、9.7倍の計算効率を持つ低解像度入力での高解像度性能(80.93%+/-0.27%の244x244)を提供する。
このフレームワークは解像度多重性を示し、低解像度データで訓練されたモデルは、異なる内部表現にもかかわらず異なる入力スケールで一貫した精度を達成する。
フレームワークのマルチレベルバイアス補正は、色認識重み付け(サンプルレベルの微調整)とHK距離(分配レベル最適輸送)を相乗し、明示的な選択関数モデリングなしで22.96%のログ-MSEの改善と26.10%のアウトリー還元を実現している。
ここでは、数学的厳密性は、科学AIにおける前例のない効率性と包括的偏見補正を可能にし、コンピュータビジョンと天体物理学をブリッジすることで、学際的な科学的発見に革命をもたらすことを示す。
関連論文リスト
- Dynamic Weight Adjustment for Knowledge Distillation: Leveraging Vision Transformer for High-Accuracy Lung Cancer Detection and Real-Time Deployment [6.432534227472963]
FuzzyDistillViT-MobileNetモデルは肺がん(LC)分類の新しいアプローチである。
本手法は, ファジィ論理を用いて蒸留重量を動的に調整し, 生徒が高信頼領域に集中できるようにする。
教師モデルとして視覚変換器(ViT-B32)を用い,学生モデルであるMobileNetに効果的に知識を伝達する。
論文 参考訳（メタデータ） (2025-10-23T11:19:52Z) - Balanced Multi-Task Attention for Satellite Image Classification: A Systematic Approach to Achieving 97.23% Accuracy on EuroSAT Without Pre-Training [0.0]
本研究は、衛星土地利用分類のための独自の畳み込みニューラルネットワークアーキテクチャを体系的に研究する。
事前訓練されたモデルに依存することなく、EuroSATデータセット上で97.23%のテスト精度を達成する。
我々の手法は、外部データを必要としない微調整されたResNet-50(98.57%)の1.34%で性能を達成する。
論文 参考訳（メタデータ） (2025-10-17T10:59:24Z) - Six Sigma For Neural Networks: Taguchi-based optimization [0.0]
本研究では,従来品質工学に用いられてきた統計最適化手法であるTaguchi Design of Experiments法の適用について紹介する。
機械学習最適化の多目的性に対処するため、トレーニング精度、検証精度、トレーニング損失、検証損失を同時に最適化する5つのアプローチを開発した。
その結果, 重み付き精度測定値と対数変換された損失関数を組み合わせることで, 最適性能を98.84%のトレーニング精度と86.25%の検証精度で達成し, 最小損失値を維持した。
論文 参考訳（メタデータ） (2025-09-22T06:50:25Z) - Point-wise Diffusion Models for Physical Systems with Shape Variations: Application to Spatio-temporal and Large-scale system [1.474723404975345]
本稿では,形状変化を伴う複雑な物理系を効率的に予測するために,時間的点を独立に処理する点幅拡散モデルを提案する。
複雑な幾何学的構成を持つ3つの異なる物理領域にまたがるアプローチを検証する。
提案手法は,画像ベース拡散モデルよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2025-08-02T06:55:59Z) - Wavelet Logic Machines: Learning and Reasoning in the Spectral Domain Without Neural Networks [0.0]
ウェーブレット領域を完全に操作することで、従来のニューラルネットワーク層を除去する、完全なスペクトル学習フレームワークを導入する。
このモデルは、ウェーブレット係数に直接、ソフトスレッディングやゲイン位相変調を含む学習可能な非線形変換を適用する。
それはまた、Haar、Daubechies、Biorthogonal Waveletなどのファミリーを使った適応処理を可能にする、微分可能なウェーブレット基底選択機構を含んでいる。
論文 参考訳（メタデータ） (2025-07-18T01:28:17Z) - Predictor-Corrector Enhanced Transformers with Exponential Moving Average Coefficient Learning [73.73967342609603]
トラクションエラーを最小限に抑えるための予測-相関学習フレームワークを提案する。
また、高次予測器を強化するために、指数関数的移動平均ベース係数学習法を提案する。
我々のモデルは3.8BのDeepNetを平均2.9のSacreBLEUで上回り、1/3のパラメータしか使用していない。
論文 参考訳（メタデータ） (2024-11-05T12:26:25Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳（メタデータ） (2022-04-14T15:14:08Z) - Robust 360-8PA: Redesigning The Normalized 8-point Algorithm for 360-FoV
Images [53.11097060367591]
球面投影における360-fov画像から本質行列を推定する新しい手法を提案する。
我々の正規化は、時間を大幅に上回ることなく、カメラの精度を約20%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） (2021-04-22T07:23:11Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳（メタデータ） (2020-06-02T11:17:55Z) - Training with Quantization Noise for Extreme Model Compression [57.51832088938618]
与えられたモデルサイズに対する精度を最大化しながら、コンパクトなモデルを作成するという問題に取り組む。
標準的な解決策は、トレーニング中に重みが定量化され、勾配がストレート・スルー推定器に近似される量子化意識訓練(Quantization Aware Training)でネットワークをトレーニングすることである。
本稿では, この手法を, 極端な圧縮法を用いて, int8 の固定点量子化を超えて機能するように拡張する。
論文 参考訳（メタデータ） (2020-04-15T20:10:53Z)
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。