論文の概要: From Simulations to Surveys: Domain Adaptation for Galaxy Observations

• arxiv url: http://arxiv.org/abs/2511.18590v1
• Date: Sun, 23 Nov 2025 19:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.913502
• Title: From Simulations to Surveys: Domain Adaptation for Galaxy Observations
• Title（参考訳）: シミュレーションからサーベイへ:銀河観測のための領域適応
• Authors: Kaley Brauer, Aditya Prasad Dash, Meet J. Vyas, Ahmed Salim, Stiven Briand Massala,
• Abstract要約: 本稿では、TNG50銀河を模擬し、実SDSS銀河をモルフォロジーラベルで評価する予備的な領域適応パイプラインを提案する。 これらの損失とOTベースの"top_$k$ soft matching"損失を組み合わせることで、ドメインアライメントをさらに向上できることを示す。
• 参考スコア（独自算出の注目度）: 0.2770822269241973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large photometric surveys will image billions of galaxies, but we currently lack quick, reliable automated ways to infer their physical properties like morphology, stellar mass, and star formation rates. Simulations provide galaxy images with ground-truth physical labels, but domain shifts in PSF, noise, backgrounds, selection, and label priors degrade transfer to real surveys. We present a preliminary domain adaptation pipeline that trains on simulated TNG50 galaxies and evaluates on real SDSS galaxies with morphology labels (elliptical/spiral/irregular). We train three backbones (CNN, $E(2)$-steerable CNN, ResNet-18) with focal loss and effective-number class weighting, and a feature-level domain loss $L_D$ built from GeomLoss (entropic Sinkhorn OT, energy distance, Gaussian MMD, and related metrics). We show that a combination of these losses with an OT-based "top_$k$ soft matching" loss that focuses $L_D$ on the worst-matched source-target pairs can further enhance domain alignment. With Euclidean distance, scheduled alignment weights, and top-$k$ matching, target accuracy (macro F1) rises from $\sim$46% ($\sim$30%) at no adaptation to $\sim$87% ($\sim$62.6%), with a domain AUC near 0.5, indicating strong latent-space mixing.
• Abstract（参考訳）: 光度計による大規模な調査では何十億もの銀河が観測されるが、現時点では、形態学、恒星質量、星形成速度といった物理特性を推測する、迅速で信頼性の高い自動的な方法が欠如している。 シミュレーションでは、銀河画像に地軸の物理ラベルを与えるが、PSF、ノイズ、背景、選択、ラベルの領域シフトは、実際の調査に分解される。 本稿では, TNG50銀河を模擬し, 実SDSS銀河を形態ラベル(楕円/スピラル/不規則)で評価する予備的な領域適応パイプラインを提案する。 我々は3つのバックボーン(CNN,$E(2)$-steerable CNN,ResNet-18)を、焦点損失と有効数のクラス重み付けでトレーニングし、GeomLoss(エントロピックシンクホーンOT、エネルギー距離、ガウスMD、および関連するメトリクス)から構築された特徴レベルドメイン損失$L_D$をトレーニングする。 これらの損失とOTベースの"top_$k$ soft matching"損失を組み合わせることで、最悪のソースとターゲットのペアに$L_D$を集中させることで、ドメインの整合性をさらに向上できることを示す。 ユークリッド距離、スケジュールされたアライメントウェイト、およびトップ$k$マッチングにより、ターゲット精度(マクロF1)は、$\sim$46% (\sim$30%) から $\sim$87% (\sim$62.6%) に適応することなく上昇し、AUC は0.5 付近で強い潜在空間混合を示す。

関連論文リスト

• Automatic Machine Learning Framework to Study Morphological Parameters of AGN Host Galaxies within $z < 1.4$ in the Hyper Supreme-Cam Wide Survey [4.6218496439194805]
  本稿では,AGNホスト銀河のバルジ-トータル光比,半光半径,フラックスの後方分布を推定する機械学習フレームワークを提案する。 我々は、PAFGANを用いて、ホスト銀河からAGN点光源光を分解し、GAMPEN(Galaxy Morphology Posterior Estimation Network)を起動し、形態パラメーターを推定する。 私たちのフレームワークは、従来の軽量なフィッティング方法よりも少なくとも3桁高速に動作します。
  論文  参考訳（メタデータ） (2025-01-27T03:04:34Z)
• Sample Complexity of Neural Policy Mirror Descent for Policy Optimization on Low-Dimensional Manifolds [75.51968172401394]
  深部畳み込みニューラルネットワーク(CNN)を用いたNPMDアルゴリズムのサンプル複雑性について検討した。 NPMDの各イテレーションでは、値関数とポリシーの両方をCNNによってうまく近似することができる。 NPMDは状態空間の低次元構造を利用して次元の呪いから逃れることができることを示す。
  論文  参考訳（メタデータ） (2023-09-25T07:31:22Z)
• Streamlined Lensed Quasar Identification in Multiband Images via Ensemble Networks [34.82692226532414]
  強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。 我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。 我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
  論文  参考訳（メタデータ） (2023-07-03T15:09:10Z)
• Robust Field-level Likelihood-free Inference with Galaxies [0.0]
  我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから銀河カタログを用いて、グラフニューラルネットワークを訓練し、フィールドレベル確率自由推論を行う。 我々のモデルは回転、翻訳、置換不変であり、スケールにいかなるカットも課さない。 我々のモデルは、天体物理学、サブグリッド物理学、およびサブハロ/ガラクシーファインダーの変化に対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T19:26:13Z)
• Using Machine Learning to Determine Morphologies of $z<1$ AGN Host Galaxies in the Hyper Suprime-Cam Wide Survey [4.747578120823036]
  本稿では,AGNホスト銀河の形態をz1$以内で正確に特徴付けるための機械学習フレームワークを提案する。 まず、多数のシミュレートされた銀河をトレーニングし、それからより少ない分類された実際の銀河を微調整することで、我々のフレームワークは、テストセットからホスト銀河を60～70%でシミュレートする実際の形態を予測した。 我々のモデルは96%/82%/79%のディスク精度、90%/90%/80%のバルジ精度を未決定分率30%/43%/42の閾値で達成する。
  論文  参考訳（メタデータ） (2022-12-20T04:00:58Z)
• Hierarchical Inference of the Lensing Convergence from Photometric Catalogs with Bayesian Graph Neural Networks [0.0]
  我々は銀河ギャラクシーレンズのスケールを$sim$1$''で変動させ、BGNNを訓練するためにランダムな視線を抽出する。 BGNNは、1000の視線からなる各テストセットに対して、個々の$kappa$aftersを推論し、階層的ベイズモデルで組み合わせる。 トレーニングセットでよくサンプリングされたテストフィールドに対して、BGNNは、正確にはバイアスなく、人口平均の$kappa$を回収する。
  論文  参考訳（メタデータ） (2022-11-15T00:29:20Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural Networks [0.0]
  シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。 我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。 CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
  論文  参考訳（メタデータ） (2020-04-24T20:36:06Z)
• Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
  NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。 格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
  論文  参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。