論文の概要: AI Agent for Source Finding by SoFiA-2 for SKA-SDC2

• arxiv url: http://arxiv.org/abs/2512.00769v1
• Date: Sun, 30 Nov 2025 07:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.410631
• Title: AI Agent for Source Finding by SoFiA-2 for SKA-SDC2
• Title（参考訳）: SKA-SDC2のためのSoFiA-2によるソース検索のためのAIエージェント
• Authors: Xingchen Zhou, Nan Li, Peng Jia, Yingfeng Liu, Furen Deng, Shuanghao Shu, Ying Li, Liang Cao, Huanyuan Shan, Ayodeji Ibitoye,
• Abstract要約: 電波帯における次世代大規模スカイサーベイのデータ分析には,ソース抽出が不可欠である。 実際の観測にソース抽出プログラムを適用する際に最適なパラメータ構成を見つけることは簡単ではない。 最先端の強化学習アルゴリズムに基づくAIエージェントを用いて,これらのパラメータを自動的に最適化するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 9.254861841476005
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Source extraction is crucial in analyzing data from next-generation, large-scale sky surveys in radio bands, such as the Square Kilometre Array (SKA). Several source extraction programs, including SoFiA and Aegean, have been developed to address this challenge. However, finding optimal parameter configurations when applying these programs to real observations is non-trivial. For example, the outcomes of SoFiA intensely depend on several key parameters across its preconditioning, source-finding, and reliability-filtering modules. To address this issue, we propose a framework to automatically optimize these parameters using an AI agent based on a state-of-the-art reinforcement learning (RL) algorithm, i.e., Soft Actor-Critic (SAC). The SKA Science Data Challenge 2 (SDC2) dataset is utilized to assess the feasibility and reliability of this framework. The AI agent interacts with the environment by adjusting parameters based on the feedback from the SDC2 score defined by the SDC2 Team, progressively learning to select parameter sets that yield improved performance. After sufficient training, the AI agent can automatically identify an optimal parameter configuration that outperform the benchmark set by Team SoFiA within only 100 evaluation steps and with reduced time consumption. Our approach could address similar problems requiring complex parameter tuning, beyond radio band surveys and source extraction. Yet, high-quality training sets containing representative observations and catalogs of ground truth are essential.
• Abstract（参考訳）: ソース抽出は、Square Kilometre Array (SKA)のようなラジオバンドにおける次世代の大規模スカイサーベイのデータ分析に不可欠である。 SoFiA や Aegean などのソース抽出プログラムがこの課題に対処するために開発されている。 しかし、実際の観測にこれらのプログラムを適用する際に最適なパラメータ構成を見つけることは容易ではない。 例えば、SoFiAの結果は、プリコンディショニング、ソースフィニング、信頼性フィルタリングモジュールなど、いくつかの重要なパラメータに強く依存しています。 この問題に対処するため、我々は、最先端強化学習(RL)アルゴリズム(Soft Actor-Critic (SAC))に基づくAIエージェントを用いて、これらのパラメータを自動的に最適化するフレームワークを提案する。 SKA Science Data Challenge 2 (SDC2)データセットを使用して、このフレームワークの実現可能性と信頼性を評価する。 AIエージェントは、SDC2チームが定義したSDC2スコアからのフィードバックに基づいてパラメータを調整することで、環境と対話し、徐々に改善されたパフォーマンスを得るパラメータセットを選択するように学習する。 十分なトレーニングの後、AIエージェントは、Team SoFiAが設定したベンチマークをわずか100ステップで上回る最適なパラメータ設定を自動的に特定し、時間の消費を削減できる。 提案手法は,ラジオバンドサーベイや音源抽出以外にも,複雑なパラメータチューニングを必要とする類似の問題に対処することができる。 しかし、代表的な観測と地上真実のカタログを含む高品質なトレーニングセットが不可欠である。

関連論文リスト

• ATLAS: AI-Native Receiver Test-and-Measurement by Leveraging AI-Guided Search [0.1631115063641726]
  ATLASはAI誘導型アプローチで、トレーニング済みのAIネイティブレシーバモデルのテストバッテリを生成し、古典的なレシーバアーキテクチャのパフォーマンスをベンチマークする。 我々は、NVIDIAのSionna環境における微分可能なテンソルを用いた古典的受信機と同様に、よく知られたDeepRx AIネイティブ受信モデルを採用することで、我々のアプローチを実装し、検証する。
  論文  参考訳（メタデータ） (2025-08-17T02:12:15Z)
• PAIRS: Parametric-Verified Adaptive Information Retrieval and Selection for Efficient RAG [14.631028226704883]
  我々はPAIRS(Parametric-verified Adaptive Information Retrieval and Selection)を紹介する。 PAIRSはパラメトリックと検索された知識を統合して、検索するかどうか、外部情報を選択すべきかを適応的に決定する。 PAIRSは検索コストを約25%削減し(クエリの75%しか処理しない)、精度を+1.1% EMと+1.0% F1に改善した。
  論文  参考訳（メタデータ） (2025-08-06T03:33:01Z)
• Adaptive and Robust DBSCAN with Multi-agent Reinforcement Learning [53.527506374566485]
  本稿では,多エージェント強化学習クラスタフレームワーク,すなわちAR-DBSCANを用いた新しいAdaptive and Robust DBSCANを提案する。 我々は、AR-DBSCANが、NMIおよびARIメトリクスの最大144.1%と175.3%のクラスタリング精度を向上するだけでなく、支配的なパラメータを確実に見つけることができることを示した。
  論文  参考訳（メタデータ） (2025-05-07T11:37:23Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• Low-Rank Representations Meets Deep Unfolding: A Generalized and Interpretable Network for Hyperspectral Anomaly Detection [41.50904949744355]
  現在のハイパースペクトル異常検出(HAD)ベンチマークデータセットは、低解像度、単純なバックグラウンド、検出データの小さなサイズに悩まされている。 これらの要因は、ロバスト性の観点からよく知られた低ランク表現(LRR)モデルの性能も制限する。 我々は、複雑なシナリオにおけるHADアルゴリズムの堅牢性を改善するために、新しいHADベンチマークデータセットであるAIR-HADを構築した。
  論文  参考訳（メタデータ） (2024-02-23T14:15:58Z)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• A Framework for History-Aware Hyperparameter Optimisation in Reinforcement Learning [8.659973888018781]
  強化学習(RL)システムは、システムの性能に影響を与える一連の初期条件に依存する。 これらのトレードオフを軽減するため,複雑なイベント処理と時間モデルの統合に基づくフレームワークを提案する。 提案手法を,RLの変種であるDQNを用いた5Gモバイル通信ケーススタディで検証した。
  論文  参考訳（メタデータ） (2023-03-09T11:30:40Z)
• Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
  ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。 本稿では,深層学習のためのAUPRCの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:22:21Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)
• DDKSP: A Data-Driven Stochastic Programming Framework for Car-Sharing Relocation Problem [17.440172040605354]
  カーシェアリング再配置問題 (CSRP) を不確実な要求下で検討する。 この問題を解決するために、データ駆動カーネルプログラミング(DDKSP)と呼ばれる革新的なフレームワークが提案されている。 提案手法は純パラメトリックアプローチを3.72%,4.58%,11%で上回っている。
  論文  参考訳（メタデータ） (2020-01-20T19:04:29Z)

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。