論文の概要: Classification of Astronomical Spectra Using PCA-Compressed Flux and Inverse-Variance Features

• arxiv url: http://arxiv.org/abs/2606.13978v1
• Date: Thu, 11 Jun 2026 23:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.684154
• Title: Classification of Astronomical Spectra Using PCA-Compressed Flux and Inverse-Variance Features
• Title（参考訳）: PCA圧縮フラックスと逆変動特性を用いた天文学スペクトルの分類
• Authors: Bruno Santos Meneses Barreto, Marcio Eisencraft,
• Abstract要約: 本稿では、SDSS DR17天文スペクトルを星、銀河、クエーサーに分類するための信号処理および教師付き学習パイプラインの評価を行う。
• 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: This paper evaluates a signal-processing and supervised-learning pipeline for classifying SDSS DR17 astronomical spectra into stars, galaxies, and quasars. Each spectrum is represented by its measured flux and inverse-variance information, combining spectral shape with a wavelength-dependent reliability profile. After resampling onto a common logarithmic wavelength grid, the flux and inverse-variance vectors are standardized and separately compressed using principal component analysis. The resulting components are concatenated and used to train several classifiers. The best performance was obtained with the LightGBM gradient-boosting classifier, reaching $94.6\%$ accuracy and $92.1\%$ balanced accuracy on the test set.
• Abstract（参考訳）: 本稿では、SDSS DR17天文スペクトルを星、銀河、クエーサーに分類するための信号処理および教師付き学習パイプラインの評価を行う。 各スペクトルは、その測定されたフラックスと逆分散情報によって表現され、スペクトル形状と波長依存性の信頼性プロファイルを組み合わせる。 共通対数波長格子に再サンプリングした後、フラックスベクトルと逆分散ベクトルを標準化し、主成分分析を用いて別々に圧縮する。 結果として得られるコンポーネントは連結され、いくつかの分類器の訓練に使用される。 最高の性能は、LightGBMグラデーション・ブースティング・クラシファイア(英語版)で獲得され、944.6\%の精度と922.1\%のバランスの取れた精度に達した。

関連論文リスト

• Bin Latent Transformer (BiLT): A shift-invariant autoencoder for calibration-free spectral unmixing of turbid media [0.0]
  この研究は、高密度エンコーダをクロスアテンションスキャナーに置き換えるBin Latent Transformer (BiLT)-Autoencoderを導入している。 物理制約付き線形デコーダは、強制吸収/散乱分離と3段階のカリキュラム拡張戦略により、アーキテクチャを完備する。
  論文  参考訳（メタデータ） (2026-05-12T09:17:43Z)
• SpecCLIP: Aligning and Translating Spectroscopic Measurements for Stars [6.314253302704276]
  我々は、LLMにインスパイアされた方法論を恒星スペクトル分析に拡張する基盤モデルフレームワークであるSpecCLIPを提案する。 大規模データセットの基盤モデルをトレーニングすることで、さまざまな下流アプリケーションをサポートする堅牢で情報に富んだ埋め込みを学ぶことが私たちのゴールです。 これらのモデルを中規模ラベル付きデータセットに微調整することで、恒星パラメータ推定や化学特性決定といったタスクへの適応性が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-02T17:49:52Z)
• PAD: Phase-Amplitude Decoupling Fusion for Multi-Modal Land Cover Classification [49.37555541088792]
  位相振幅デカップリング(PAD)は、位相(モダリティ共有)と振幅(モダリティ補完)を分離する周波数対応のフレームワークである。 この研究は、リモートセンシングにおける物理を意識したマルチモーダル融合の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-04-27T07:21:42Z)
• Understanding Dataset Distillation via Spectral Filtering [69.07076441512612]
  多様なDD目標を統一するスペクトルフィルタリングフレームワークであるUniDDを紹介する。 UniDDは、DDの本質が基本的に周波数固有の特徴に合致していることを明らかにする。 この制限に対処するため,低周波情報と高周波情報の両方をカバーするためにフィルタパラメータを徐々に調整するCFM(Curriculum Frequency Matching)を提案する。
  論文  参考訳（メタデータ） (2025-03-03T06:22:34Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Hodge-Aware Contrastive Learning [101.56637264703058]
  単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。 我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-09-14T00:40:07Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Cross-Spectral Periocular Recognition with Conditional Adversarial Networks [59.17685450892182]
  本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。 EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
  論文  参考訳（メタデータ） (2020-08-26T15:02:04Z)

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。