論文の概要: Characterization of Residual Morphological Substructure Using Supervised and Unsupervised Deep Learning

• arxiv url: http://arxiv.org/abs/2602.18883v1
• Date: Sat, 21 Feb 2026 16:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.374184
• Title: Characterization of Residual Morphological Substructure Using Supervised and Unsupervised Deep Learning
• Title（参考訳）: 教師なし・教師なし深層学習を用いた残留形態素構造の評価
• Authors: Kameswara Bharadwaj Mantha, Daniel H. McIntosh, Cody Ciaschi, Rubyet Evan, Luther Landry, Henry C. Ferguson, Camilla Pacifici, Joel Primack, Nimish Hathi, Anton Koekemoer, Yicheng Guo, The CANDELS Collaboration,
• Abstract要約: 我々は、教師付き畳み込みニューラルネットワーク(CNN)と教師なし畳み込み変分オートエンコーダ(CvAE)を開発する。 「我々のユニークなデータ前処理アプローチを用いて、我々のDLネットワークへの入力が関心の銀河のみを構成するように残像を作成する。」 我々はPCA空間における制御CNN潜伏特性が$SPF$値と相関し,定性的に強い部分構造と弱い部分構造を区別することを発見した。
• 参考スコア（独自算出の注目度）: 0.8155389502563688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated characterization of galactic substructure is an essential step in understanding the transformative physical processes driving galaxy evolution. In this study, we investigate the application of deep learning (DL) frameworks to characterize different galactic substructures hosted within parametric light-profile subtracted ``residual'' images of a large sample galaxies from the CANDELS survey. We develop a supervised Convolutional Neural Network (CNN) and unsupervised Convolutional Variational Autoencoder (CvAE) and train it on the single-Sérsic profile fitting based residual images of $10,046$ bright and massive galaxies ($H<24.5\,{\rm mag}$ and $M_{\rm stellar} \geq 10^{9.5}\,M_{\odot}$) spanning $1<z<3$, in conjunction with their visual-based classification labels indicating the nature of residual substructures hosted within them. Using our unique data preprocessing approach, we prepare our residual images such that the inputs to our DL networks comprise only ``galaxy of interest'', and augment them such that our sample span uniformly across different residual characteristics. We assess the latent space of the CNN and CvAE using Principle Component Analysis (PCA) along with independently quantified metrics of residual strength (significant pixel flux $SPF$, Bumpiness, and Residual Flux Fraction). We also employ an unsupervised Gaussian Mixture Modeling (GMM) based clustering scheme with Support Vector Classification (SVC) to identify groupings in PCA space that correspond to similar residual substructure. We find that our supervised CNN latent features in PCA space correlate with the $SPF$ values and distinguish between qualitatively strong and weak residual substructures. While our unsupervised CvAE latent space also correlates with visual and quantitative residual characteristics, but lacks clear discriminatory power when characterizing different residual substructures.
• Abstract（参考訳）: 銀河のサブ構造を自動解析することは、銀河の進化を駆動する変換物理過程を理解するための重要なステップである。 本研究では,CANDELSサーベイから得られた大きな試料銀河の「残留」画像を用いて,パラメトリック光強調領域にホストされる様々な銀河サブストラクチャを特徴付けるためのディープラーニング(DL)フレームワークの適用について検討した。 我々は、教師付き畳み込みニューラルネットワーク(CNN)と教師なし畳み込み変分オートエンコーダ(CvAE)を開発し、それを1,046ドルの明るい巨大な銀河(H<24.5\,{\rm mag}$および$M_{\rm stellar} \geq 10^{9.5}\,M_{\odot}$)の1<z<3$の残基構造の性質を示す視覚的分類ラベルとともに訓練する。 我々のユニークなデータ前処理手法を用いて、我々のDLネットワークへの入力が ``galaxy of interest'' のみであるような残像を作成し、サンプルが異なる残像に均一に分散するように拡張する。 我々は,CNN と CvAE の潜伏空間を Principle Component Analysis (PCA) と独立に定量化した残差強度(SPF$,Bumpiness,Residual Flux Fraction)を用いて評価した。 また、教師なしガウス混合モデル(GMM)に基づくクラスタリングスキームをSVC(Support Vector Classification)を用いて、類似した残基構造に対応するPCA空間のグルーピングを同定する。 我々はPCA空間における制御CNN潜伏特性が$SPF$値と相関し,定性的に強い部分構造と弱い部分構造を区別することを発見した。 我々の教師なしCvAE潜伏空間は、視覚的および量的残留特性とも相関するが、異なる残留部分構造を特徴づける際、明確な識別力は欠如している。

関連論文リスト

• Efficient Sampling with Discrete Diffusion Models: Sharp and Adaptive Guarantees [9.180350432640912]
  連続時間マルコフ連鎖(CTMC)の定式化によるスコアベース離散拡散モデルのサンプリング効率について検討した。 一様離散拡散に対して、$$-leapingアルゴリズムは位数$tilde O(d/varepsilon)$の複雑さを達成することを示す。 離散拡散をマスキングするために,本質的な情報理論量によって収束率を制御した$$-leapingサンプルラを導入する。
  論文  参考訳（メタデータ） (2026-02-16T18:48:17Z)
• Towards Spectroscopy: Susceptibility Clusters in Language Models [2.446411139736179]
  この原理をニューラルネットワークに適用する。 データ分布のモード上の和として、感受性が分解されることが示される。 この手法をPythia-14Mに適用し,コンダクタンスに基づくクラスタリングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-19T04:01:17Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Reevaluating Convolutional Neural Networks for Spectral Analysis: A Focus on Raman Spectroscopy [1.1545092788508224]
  我々は1次元畳み込みニューラルネットワーク(CNN)を評価し,4つの進歩を報告した。 コンパクトCNNは、手作りの機能で$k$-nearest-neborsを上回っている。 ラベル効率の学習: 半教師付き生成的敵ネットワークと対照的な事前学習により、最大で11%の精度が向上し、わずか10%のラベルしか取得できない。 このワークフローには、生のスペクトルのトレーニング、プールのチューニング、ラベルの不足時に半スーパービジョンの追加、新しいターゲットに対する微調整が含まれる。
  論文  参考訳（メタデータ） (2025-09-30T09:01:38Z)
• Recursive Self-Similarity in Deep Weight Spaces of Neural Architectures: A Fractal and Coarse Geometry Perspective [2.9130383514140292]
  本稿では,Deep Weight Spacesを,離散整数スケールで観測可能な階層的,フラクタル的,粗い幾何学構造として概念化する。 我々は、フラクタル変換と呼ばれる粗い群作用、$T_r_k $を導入し、対称性群 $G = (mathbbZ, +) $ の下で作用する。 この観点は、一般に物理的構造の階層的およびスケール関連幾何学を評価するために使用されるボックスカウント技術を採用する。
  論文  参考訳（メタデータ） (2025-03-18T14:41:23Z)
• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• Isomorphic Pruning for Vision Models [56.286064975443026]
  構造化プルーニングは、冗長なサブ構造を取り除くことによって、ディープニューラルネットワークの計算オーバーヘッドを低減する。 Isomorphic Pruningは、ネットワークアーキテクチャの範囲で有効性を示すシンプルなアプローチである。
  論文  参考訳（メタデータ） (2024-07-05T16:14:53Z)
• Neural Collapse in Deep Linear Networks: From Balanced to Imbalanced Data [12.225207401994737]
  大量のパラメータを持つ複雑な系は、収束するまでのトレーニングで同じ構造を持つことを示す。 特に、最終層の特徴がクラス平均に崩壊することが観察されている。 本結果は,最終層の特徴と分類器をベクトルからなる幾何学へ収束させることを示す。
  論文  参考訳（メタデータ） (2023-01-01T16:29:56Z)
• coVariance Neural Networks [119.45320143101381]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ内の相互関係を利用して学習する効果的なフレームワークである。 我々は、サンプル共分散行列をグラフとして扱う、共分散ニューラルネットワーク(VNN)と呼ばれるGNNアーキテクチャを提案する。 VNN の性能は PCA ベースの統計手法よりも安定していることを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:04:43Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。