論文の概要: Improving Generalization and Uncertainty Quantification of Photometric Redshift Models
- arxiv url: http://arxiv.org/abs/2601.17222v1
- Date: Fri, 23 Jan 2026 23:19:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:07.426934
- Title: Improving Generalization and Uncertainty Quantification of Photometric Redshift Models
- Title（参考訳）: 光度赤偏移モデルの一般化と不確かさの定量化
- Authors: Jonathan Soriano, Tuan Do, Srinath Saikrishnan, Vikram Seenivasan, Bernie Boscoe, Jack Singal, Evan Jones,
- Abstract要約: 我々は、幅広い種類の銀河に対して、光度赤方偏移推定のための機械学習モデルを訓練する。
合成データセットでトレーニングされたNNは、赤方偏移範囲内で4.5倍の偏差を持つフォト-z$sを予測する。
また、BNNは信頼性の高い不確実性推定を生成するが、異なる基底事実に敏感であることも見出した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate redshift estimates are a vital component in understanding galaxy evolution and precision cosmology. In this paper, we explore approaches to increase the applicability of machine learning models for photometric redshift estimation on a broader range of galaxy types. Typical models are trained with ground-truth redshifts from spectroscopy. We test the utility and effectiveness of two approaches for combining spectroscopic redshifts and redshifts derived from multiband ($\sim$35 filters) photometry, which sample different types of galaxies compared to spectroscopic surveys. The two approaches are (1) training on a composite dataset and (2) transfer learning from one dataset to another. We compile photometric redshifts from the COSMOS2020 catalog (TransferZ) to complement an established spectroscopic redshift dataset (GalaxiesML). We used two architectures, deterministic neural networks (NN) and Bayesian neural networks (BNN), to examine and evaluate their performance with respect to the Legacy Survey of Space and Time (LSST) photo-$z$ science requirements. We also use split conformal prediction for calibrating uncertainty estimates and producing prediction intervals for the BNN and NN, respectively. We find that a NN trained on a composite dataset predicts photo-$z$'s that are 4.5 times less biased within the redshift range $0.3<z<1.5$, 1.1 times less scattered, and has a 1.4 times lower outlier rate than a model trained on only spectroscopic ground truths. We also find that BNNs produce reliable uncertainty estimates, but are sensitive to the different ground truths. This investigation leverages different sources of ground truths to develop models that can accurately predict photo-$z$'s for a broader population of galaxies crucial for surveys such as Euclid and LSST.
- Abstract（参考訳）: 正確な赤方偏移推定は、銀河の進化と精密宇宙論を理解する上で重要な要素である。
本稿では、より広い範囲の銀河に対して光度赤方偏移推定を行う機械学習モデルの適用性を高めるためのアプローチについて検討する。
典型的なモデルは、分光から地軸の赤方偏移で訓練される。
我々は、分光赤方偏移とマルチバンド(35ドルフィルタ)光度計から得られる赤方偏移を組み合わせるための2つの方法の有用性と有効性を検証する。
2つのアプローチは、(1)複合データセットのトレーニングと(2)あるデータセットから別のデータセットへの変換学習である。
我々は、COSMOS2020カタログ(TransferZ)から光度赤偏移をコンパイルし、確立された分光赤偏移データセット(GalaxiesML)を補完する。
我々は、決定論的ニューラルネットワーク(NN)とベイズニューラルネットワーク(BNN)という2つのアーキテクチャを用いて、その性能をLSST(Legacy Survey of Space and Time)の写真-$z$の科学要件に対して調査し、評価した。
また,不確実性推定の校正や,BNNとNNの予測間隔の生成に分割共形予測を用いる。
合成データセットでトレーニングされたNNは、赤方偏移範囲において、0.3<z<1.5$, 1.1倍の散乱率を持つ光-z$'sを4.5倍のバイアスで予測し、分光地上真実のみをトレーニングしたモデルよりも1.4倍のアウトリー率を有することを示した。
また、BNNは信頼性の高い不確実性推定を生成するが、異なる基底事実に敏感であることも見出した。
この調査は、ユークリッドやLSSTのような調査に欠かせない銀河群に対して、z$sを正確に予測できるモデルを開発するために、異なる基底真理の源を利用する。
関連論文リスト
- Mantis Shrimp: Exploring Photometric Band Utilization in Computer Vision Networks for Photometric Redshift Estimation [0.30924355683504173]
我々は、紫外光(GALEX)、光(PanSTARRS)、赤外線(UnWISE)画像を融合した測光赤方偏移推定モデルを提案する。
Mantis Shrimpは、カットアウト画像を用いた赤方偏移の条件密度推定を推定する。
我々は、モデルがバンド間で情報を使用する方法を学び、我々のモデルがすべての調査から情報をうまく取り入れた証拠を見つける。
論文 参考訳（メタデータ） (2025-01-15T19:46:23Z) - Using different sources of ground truths and transfer learning to improve the generalization of photometric redshift estimation [0.0]
我々は、異なる基底真実を組み合わせることにより、銀河赤方偏移予測を改善する方法を模索する。
私たちはまずTransferZでベースニューラルネットワークをトレーニングし、より精密な分光赤偏移を持つ銀河のデータセット(GalaxiesML)で転送学習を用いてそれを洗練します。
どちらの手法も、差分を$sim$5x、RMSエラーを$sim$1.5x、GalaxiesMLの破滅的な外れ率を1.3x、TransferZデータのみにトレーニングされたベースラインと比較して、バイアスを$sim$5x、RMSエラーを$sim$1.5x、削減する。
論文 参考訳（メタデータ） (2024-11-27T04:55:37Z) - Spectral Image Data Fusion for Multisource Data Augmentation [44.99833362998488]
マルチスペクトル画像やハイパースペクトル画像は、リモートセンシング、天文学的イメージング、精密農業など、さまざまな研究分野で人気が高まっている。
機械学習タスクを実行できる無料データの量は比較的少ない。
スペクトル画像の領域で開発された人工知能モデルは、固定されたスペクトルシグネチャを持つ入力画像を必要とする。
論文 参考訳（メタデータ） (2024-04-05T13:40:18Z) - Streamlined Lensed Quasar Identification in Multiband Images via
Ensemble Networks [34.82692226532414]
強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。
我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。
我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
論文 参考訳（メタデータ） (2023-07-03T15:09:10Z) - Photo-zSNthesis: Converting Type Ia Supernova Lightcurves to Redshift
Estimates via Deep Learning [0.0]
光-zSNthesisは、完全な赤方偏移確率分布を予測する畳み込みニューラルネットワークに基づく手法である。
PLAsTiCCシミュレーションでは予測バイアスデルタz>が61倍改善し,SDSSデータでは5倍改善した。
論文 参考訳（メタデータ） (2023-05-19T17:59:00Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳（メタデータ） (2022-11-22T15:35:05Z) - Understanding of the properties of neural network approaches for
transient light curve approximations [37.91290708320157]
本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。
テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
論文 参考訳（メタデータ） (2022-09-15T18:00:08Z) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳（メタデータ） (2022-07-07T17:55:26Z) - 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)
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。