Fugu-MT 論文翻訳(概要): Combining datasets with different ground truths using Low-Rank Adaptation to generalize image-based CNN models for photometric redshift prediction

論文の概要: Combining datasets with different ground truths using Low-Rank Adaptation to generalize image-based CNN models for photometric redshift prediction

arxiv url: http://arxiv.org/abs/2601.00146v1
Date: Thu, 01 Jan 2026 00:26:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-05 15:04:33.282725
Title: Combining datasets with different ground truths using Low-Rank Adaptation to generalize image-based CNN models for photometric redshift prediction
Title（参考訳）: 低ランク適応を用いた画像ベースCNNモデルの光度赤方偏移予測のためのデータセットと異なる基底真理の組み合わせ
Authors: Vikram Seenivasan, Srinath Saikrishnan, Andrew Lizarraga, Jonathan Soriano, Bernie Boscoe, Tuan Do,
Abstract要約: Low-Rank Adaptation (LoRA) は、様々な銀河画像データセットを組み合わせて、宇宙論のためのCNNモデルと赤方偏移推定を改善するために用いられる。 LoRAは、モデル重みとバイアスを調整するためのアダプタネットワークを追加し、リトレーニングなしで大きなベースモデルを効率的に微調整する、大規模言語モデルの確立された技術である。我々の研究は、LoRAが天体物理学における微調整回帰モデルに有用であることを示す。
参考スコア（独自算出の注目度）: 2.8724679538984694
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we demonstrate how Low-Rank Adaptation (LoRA) can be used to combine different galaxy imaging datasets to improve redshift estimation with CNN models for cosmology. LoRA is an established technique for large language models that adds adapter networks to adjust model weights and biases to efficiently fine-tune large base models without retraining. We train a base model using a photometric redshift ground truth dataset, which contains broad galaxy types but is less accurate. We then fine-tune using LoRA on a spectroscopic redshift ground truth dataset. These redshifts are more accurate but limited to bright galaxies and take orders of magnitude more time to obtain, so are less available for large surveys. Ideally, the combination of the two datasets would yield more accurate models that generalize well. The LoRA model performs better than a traditional transfer learning method, with $\sim2.5\times$ less bias and $\sim$2.2$\times$ less scatter. Retraining the model on a combined dataset yields a model that generalizes better than LoRA but at a cost of greater computation time. Our work shows that LoRA is useful for fine-tuning regression models in astrophysics by providing a middle ground between full retraining and no retraining. LoRA shows potential in allowing us to leverage existing pretrained astrophysical models, especially for data sparse tasks.
Abstract（参考訳）: 本研究では、低ランク適応(LoRA)を用いて、異なる銀河画像データセットを組み合わせて、宇宙論のためのCNNモデルによる赤方偏移推定を改善する方法を示す。 LoRAは、モデル重みとバイアスを調整するためのアダプタネットワークを追加し、リトレーニングなしで大きなベースモデルを効率的に微調整する、大規模言語モデルの確立された技術である。我々は、広い銀河型を含むが精度は低い光度赤方偏移基底真理データセットを用いてベースモデルを訓練する。次に、分光赤方偏移基底真理データセット上でLoRAを用いて微調整を行う。これらの赤方偏移はより正確であるが、明るい銀河に限られており、得られる時間は桁違いに長いため、大規模な調査では利用できない。理想的には、2つのデータセットの組み合わせにより、より正確なモデルが得られる。 LoRAモデルは従来の転写学習法よりも優れており、$\sim2.5\times$よりバイアスが少なく、$\sim$2.2$\times$より散乱が少ない。組み合わせたデータセットでモデルをトレーニングすると、LoRAよりも良く一般化するが、計算時間を長くするコストがかかるモデルが得られる。我々の研究は、LoRAが天体物理学における微調整回帰モデルに有用であることを示す。 LoRAは、既存の事前訓練された天体物理モデル、特にデータスパースタスクを活用できる可能性を示している。

論文の概要: Combining datasets with different ground truths using Low-Rank Adaptation to generalize image-based CNN models for photometric redshift prediction

関連論文リスト