論文の概要: Multi-Variable Stellar Parameter Estimation Using Residual Multitask Neural Networks

• arxiv url: http://arxiv.org/abs/2606.13868v1
• Date: Thu, 11 Jun 2026 19:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.621613
• Title: Multi-Variable Stellar Parameter Estimation Using Residual Multitask Neural Networks
• Title（参考訳）: 残留マルチタスクニューラルネットワークを用いた多変数ステレオパラメータ推定
• Authors: Bruno Santos Meneses Barreto, Marcio Eisencraft,
• Abstract要約: Sloan Digital Sky Survey Data Release 12 spectra から恒星パラメータを推定するためのエンドツーエンドパイプラインを提案する。 提案モデルでは,より深いニューラルネットワークベースラインよりもはるかに少ない複雑性で競合性能を実現する。
• 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: We present an end-to-end pipeline for estimating stellar parameters from Sloan Digital Sky Survey Data Release 12 spectra using a fully connected multitask neural network with residual blocks, whose hyperparameters are tuned via Bayesian optimization. The preprocessing pipeline includes per-spectrum standardization, RobustScaler normalization of the target variables -- effective temperature $T_{\mathrm{eff}}$, metallicity $[\mathrm{Fe/H}]$, and surface gravity $\log g$ -- and data augmentation via Gaussian noise injection. On a held-out test set, the model achieved Mean Absolute Errors (MAE) of $59.76~\mathrm{K}$ for $T_{\mathrm{eff}}$, $0.103~\mathrm{dex}$ for $[\mathrm{Fe/H}]$, and $0.130~\mathrm{dex}$ for $\log g$. Normalized against the full-scale range of each parameter, these results represent range-normalized errors between $1\%$ and $3\%$, achieved with a highly efficient model complexity of approximately 540,000 trainable parameters. These results demonstrate that a compact residual multitask architecture, combined with principled signal preprocessing, provides a parameter-efficient solution for nonlinear parameter estimation in large-scale spectral datasets. In particular, the proposed model achieves competitive performance with substantially lower complexity than deeper neural network baselines.
• Abstract（参考訳）: Sloan Digital Sky Survey Data Release 12 spectra から恒星パラメータを推定するためのエンドツーエンドパイプラインを提案する。 前処理パイプラインは、スペクトルごとの標準化、ターゲット変数のロバストスケールの正規化 -- 有効温度$T_{\mathrm{eff}}$、金属度$[\mathrm{Fe/H}]$、表面重力$\log g$ -- およびガウス雑音注入によるデータ増大を含む。 ホールドアウトテストセットでは、Mean Absolute Errors (MAE) が$59.76~\mathrm{K}$ for $T_{\mathrm{eff}}$, $0.103~\mathrm{dex}$ for $[\mathrm{Fe/H}]$, $0.130~\mathrm{dex}$ for $\log g$に達した。 各パラメータのフルスケール範囲に対して正規化され、これらの結果は、約54万のトレーニング可能なパラメータの非常に効率的なモデル複雑さで達成された、1\%$から3\%$の間のレンジ正規化エラーを表す。 これらの結果から,コンパクトな残留マルチタスクアーキテクチャと信号前処理の原理が組み合わさって,大規模スペクトルデータセットにおける非線形パラメータ推定のためのパラメータ効率の高い解が得られた。 特に、提案モデルでは、より深いニューラルネットワークベースラインよりもかなり少ない複雑さで競合性能を達成する。

関連論文リスト

• Accelerated characterization of two-level systems in superconducting qubits via machine learning [74.02542457579791]
  本稿では,2レベルシステム(TLS)パラメーターを抽出するためのデータ駆動型アプローチを提案する。 カスタム畳み込みニューラルネットワークモデル(CNN)は、フォーム形式で提示された分光データから、$omega_TLS$, $g$, $T_TLS, 1$と$Tphi_TLS, 2$を同時に予測することができる。
  論文  参考訳（メタデータ） (2025-09-22T12:55:52Z)
• Beyond likelihood ratio bias: Nested multi-time-scale stochastic approximation for likelihood-free parameter estimation [49.78792404811239]
  確率分析形式が不明なシミュレーションベースモデルにおける推論について検討する。 我々は、スコアを同時に追跡し、パラメータ更新を駆動する比率のないネスト型マルチタイムスケール近似(SA)手法を用いる。 我々のアルゴリズムは、オリジナルのバイアス$Obig(sqrtfrac1Nbig)$を排除し、収束率を$Obig(beta_k+sqrtfracalpha_kNbig)$から加速できることを示す。
  論文  参考訳（メタデータ） (2024-11-20T02:46:15Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Matching the Statistical Query Lower Bound for $k$-Sparse Parity Problems with Sign Stochastic Gradient Descent [83.85536329832722]
  我々は、2層完全連結ニューラルネットワーク上での符号勾配降下(SGD)による$k$スパースパリティ問題を解く。 このアプローチは、$d$次元ハイパーキューブ上での$k$スパースパリティ問題を効率的に解くことができることを示す。 次に、符号SGDを持つトレーニングニューラルネットワークが、この優れたネットワークを効果的に近似し、小さな統計的誤差で$k$-parity問題を解く方法を示す。
  論文  参考訳（メタデータ） (2024-04-18T17:57:53Z)
• A Specialized Semismooth Newton Method for Kernel-Based Optimal Transport [92.96250725599958]
  カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。 SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
  論文  参考訳（メタデータ） (2023-10-21T18:48:45Z)
• Globally Convergent Accelerated Algorithms for Multilinear Sparse Logistic Regression with $\ell_0$-constraints [2.323238724742687]
  多重線形ロジスティック回帰は多次元データ解析の強力なツールである。 本稿では,$ell_0$-MLSRを解くために,アクセラレーションされた近位置換最小値MLSRモデルを提案する。 また、APALM$+$が一階臨界点に大域収束し、クルディ・ロジャシエヴィチ性質を用いて収束を確立することも示している。
  論文  参考訳（メタデータ） (2023-09-17T11:05:08Z)
• High-Dimensional Smoothed Entropy Estimation via Dimensionality Reduction [14.53979700025531]
  微分エントロピー$h(X+Z)$を独立に$n$で推定し、同じ分散サンプルを$X$とする。 絶対誤差損失では、上記の問題はパラメータ推定率$fraccDsqrtn$である。 我々は、エントロピー推定の前に主成分分析(PCA)を通して低次元空間に$X$を投影することで、この指数的なサンプル複雑性を克服する。
  論文  参考訳（メタデータ） (2023-05-08T13:51:48Z)
• Large-time asymptotics in deep learning [0.0]
  トレーニングにおける最終時間の$T$(対応するResNetの深さを示す可能性がある)の影響について検討する。 古典的な$L2$-正規化経験的リスク最小化問題に対して、トレーニングエラーが$mathcalOleft(frac1Tright)$のほとんどであることを示す。 $ellp$-距離損失の設定において、トレーニングエラーと最適パラメータの両方が$mathcalOleft(e-mu)の順序のほとんどであることを示す。
  論文  参考訳（メタデータ） (2020-08-06T07:33:17Z)
• Gravitational-wave parameter estimation with autoregressive neural network flows [0.0]
  深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。 正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。 可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
  論文  参考訳（メタデータ） (2020-02-18T15:44:04Z)

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。