論文の概要: Explainable machine learning workflows for radio astronomical data processing

• arxiv url: http://arxiv.org/abs/2603.16350v1
• Date: Tue, 17 Mar 2026 10:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.221827
• Title: Explainable machine learning workflows for radio astronomical data processing
• Title（参考訳）: 無線天文データ処理のための説明可能な機械学習ワークフロー
• Authors: S. Yatawatta, A. Ahmadi, B. Asabere, M. Iacobelli, N. Peters, M. Veldhuis,
• Abstract要約: 本稿では,ファジィ規則に基づく推論と深層学習の併用により,電波天文学における機械学習支援データ処理パイプラインの説明可能性を向上させることを提案する。 そこで我々は,高木・杉野・康ファジィシステムを用いたML支援意思決定手法の提案を,ラジオ天文学,すなわち校正の応用として検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio astronomy relies heavily on efficient and accurate processing pipelines to deliver science ready data. With the increasing data flow of modern radio telescopes, manual configuration of such data processing pipelines is infeasible. Machine learning (ML) is already emerging as a viable solution for automating data processing pipelines. However, almost all existing ML enabled pipelines are of black-box type, where the decisions made by the automating agents are not easily deciphered by astronomers. In order to improve the explainability of the ML aided data processing pipelines in radio astronomy, we propose the joint use of fuzzy rule based inference and deep learning. We consider one application in radio astronomy, i.e., calibration, to showcase the proposed approach of ML aided decision making using a Takagi-Sugeno-Kang (TSK) fuzzy system. We provide results based on simulations to illustrate the increased explainability of the proposed approach, not compromising on the quality or accuracy.
• Abstract（参考訳）: 電波天文学は、科学的に準備されたデータを提供するための効率的で正確な処理パイプラインに大きく依存している。 現代の電波望遠鏡のデータフローの増加に伴い、そのようなデータ処理パイプラインの手動構成は実現不可能である。 機械学習(ML)は、データ処理パイプラインを自動化するための実行可能なソリューションとしてすでに登場しています。 しかし、ほとんどの既存のML有効パイプラインはブラックボックス型であり、自動化エージェントによる決定は天文学者によって容易には解読できない。 電波天文学におけるML支援データ処理パイプラインの説明可能性を改善するために,ファジィ規則に基づく推論と深層学習の併用を提案する。 そこで我々は,高木・スゲノカン(TSK)ファジィシステムを用いて,MLによる意思決定を支援する手法を提案するために,ラジオ天文学,すなわちキャリブレーションの応用について検討する。 そこで本研究では,提案手法の妥当性向上をシミュレーションで示し,提案手法の質や精度を損なうことなく,提案手法の妥当性向上を図示する。

関連論文リスト

• Comparing Quantum Machine Learning Approaches in Astrophysical Signal Detection [1.2124551005857038]
  4段階の量子機械学習(QML)ワークフローを提案する。 天体物理学領域におけるガンマ線バースト(GRB)信号検出を中心としたケーススタディにおいて,異なる手法とモデルについて検討した。
  論文  参考訳（メタデータ） (2025-07-14T16:16:58Z)
• DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
  学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。 シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T11:50:43Z)
• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Instrumentation and Analysis of Native ML Pipelines via Logical Query Plans [3.2362171533623054]
  私たちは、データサイエンティストが機械学習パイプラインを開発し、検証し、監視し、分析するのを支援するために、高度に自動化されたソフトウェアプラットフォームを構想しています。 一般的なライブラリに依存したMLパイプラインコードから"論理クエリプラン"を抽出する。 これらの計画に基づいて、パイプラインのセマンティクスとインスツルメンタを自動で推論し、MLパイプラインを書き換えて、データサイエンティストが手動でアノテートしたり、コードを書き換えたりすることなく、さまざまなユースケースを可能にします。
  論文  参考訳（メタデータ） (2024-07-10T11:35:02Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)
• Waveform Learning for Reduced Out-of-Band Emissions Under a Nonlinear Power Amplifier [15.615546727945501]
  送信機電力増幅器が非線形に動作しているシナリオを考察し,帯域外放出を最小限に抑えるために波形の最適化にMLを用いる。 シミュレーション結果から,このようなエンドツーエンド最適化システムにより,帯域外エミッションがより正確かつ少ないデータ通信が可能であることが示唆された。 これらの知見は6Gのビルディングブロックの1つであるMLネイティブのエアインターフェースへの道を開いた。
  論文  参考訳（メタデータ） (2022-01-14T15:51:07Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Deep reinforcement learning for smart calibration of radio telescopes [3.655021726150368]
  本稿では,データ校正パイプラインの微調整を行う自律エージェントの訓練に強化学習を導入する。 我々は、パイプラインを、エージェントがパイプラインの解釈状態のみを使用するブラックボックスシステムとみなす。 この方法で訓練された自律エージェントは、多様な観察のための最適な設定を決定でき、従って、人間の介入の必要性を最小限に抑える「マート」キャリブレーションを実行することができる。
  論文  参考訳（メタデータ） (2021-02-05T14:35:28Z)
• Wireless for Machine Learning [91.13476340719087]
  我々は、分散データセット上で機械学習サービスをサポートするように設計された最先端のワイヤレス手法について、徹底的にレビューする。 文献にはアナログ・オーバー・ザ・エア計算とMLに最適化されたデジタル無線リソース管理という2つの明確なテーマがある。 このサーベイは、これらのメソッドを包括的に紹介し、最も重要な研究をレビューし、オープンな問題を強調し、アプリケーションのシナリオについて議論する。
  論文  参考訳（メタデータ） (2020-08-31T11:09:49Z)

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。