論文の概要: Estimating Uncertainty in Galaxy Morphology Classification

• arxiv url: http://arxiv.org/abs/2608.08398v1
• Date: Sun, 09 Aug 2026 01:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.801506
• Title: Estimating Uncertainty in Galaxy Morphology Classification
• Title（参考訳）: 銀河形態分類における不確かさの推定
• Abstract要約: UEGMCは、銀河形態分類のための不確実性推定のポストホックフレームワークである。 GMCにおける不確実性は、モデルパラメータ、天文学的データ、参照標準、または本質的な物理的曖昧さによって異なるタイプに分類される。 本フレームワークは,基礎モデルの凍結バックボーンから抽出した表現から不確実性を直接予測することができる。
• 参考スコア（独自算出の注目度）: 10.224329769135139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Astronomers classify galaxy morphology to investigate cosmic evolution. While deep foundation models are increasingly utilized in Galaxy Morphology Classification (GMC), little work has been done on evaluating the uncertainty of GMC results. Uncertainty evaluation is important because astronomical data are inherently noisy due to instrumental and environmental limitations. Also, the continuous evolution of galaxies creates intrinsic morphological ambiguity. However, current foundation models operate as deterministic point estimators, failing to quantify the uncertainty. To overcome this limitation, we propose UEGMC, a post-hoc framework of Uncertainty Estimation for Galaxy Morphology Classification. It categorizes uncertainty in GMC into distinct types by model parameters, astronomical data, reference standards, or intrinsic physical ambiguities, thereby facilitating better classification. Our framework can directly predict uncertainties from representations extracted from the frozen backbones of foundation models, without computationally expensive sampling, therefore enabling fine-grained uncertainty evaluations. Our experimental results demonstrate that UEGMC provides competitive uncertainty quantification performance compared with previous methods.
• Abstract（参考訳）: 天文学者は、宇宙進化を研究するために銀河形態を分類する。 深い基礎モデルは、銀河形態分類(GMC)においてますます活用されているが、GCC結果の不確実性を評価する研究はほとんど行われていない。 天文データは、機器や環境の制約により本質的にノイズが多いため、不確実性評価が重要である。 また、銀河の連続的な進化は固有の形態的曖昧さを生み出す。 しかし、現在の基礎モデルは決定論的点推定器として機能し、不確実性を定量化できない。 この制限を克服するために,銀河形態分類の不確実性推定のためのポストホックフレームワークであるUEGMCを提案する。 GMCにおける不確実性は、モデルパラメータ、天文学的データ、参照標準、または本質的な物理的曖昧さによって異なるタイプに分類し、より良い分類を容易にする。 本フレームワークは,基礎モデルの凍結したバックボーンから抽出した表現から不確実性を直接予測し,計算コストのかかるサンプリングを行なわず,きめ細かい不確実性評価を可能にする。 実験の結果,UEGMCは従来の手法と比較して,競争力のある不確実性定量化性能を提供することが示された。

関連論文リスト

• Learning the Universe: Posterior Reliability of Neural Generative Models in High-Dimensional Field-Level Inference of Cosmic Initial Conditions [0.2578242050187029]
  我々はハミルトニアン・モンテカルロを用いて参照後続サンプルを得る。 離散化された3Dフィールド全体の生成モデルは、高速な償却推論を可能にする。 一致した後縁手段, 限界分布, あるいは高い相互相関を達成することは, 不確実性構造を補正するものではないことを示す。
  論文  参考訳（メタデータ） (2026-06-08T18:08:00Z)
• Beyond Point Estimates: Benchmarking Uncertainty Quantification Methods on the AION-1 Astronomical Foundation Model [47.71489969727656]
  Conformalized Quantile Regression (CQR)は、最も貧弱なモデル予測で、ビン内で最高のカバレッジを提供する。 局所的妥当性判別(Locally Valid and Discriminative, LVD)フレームワークのみが、有限サンプルの局所的妥当性を提供する。
  論文  参考訳（メタデータ） (2026-06-05T18:29:19Z)
• Improving Semantic Uncertainty Quantification in LVLMs with Semantic Gaussian Processes [60.75226150503949]
  本稿では,解答埋め込みの幾何学的構造を解析し,意味的不確実性を定量化するベイズ的枠組みを提案する。 S GPUは、生成した回答を密接なセマンティック空間にマッピングし、セマンティック埋め込みのグラム行列を計算し、セマンティック構成を要約する。 我々は,SGPUがモデルとモダリティをまたいで転送されることを示し,そのスペクトル表現が意味的不確実性の一般的なパターンを捉えていることを示す。
  論文  参考訳（メタデータ） (2025-12-16T08:15:24Z)
• Benchmarking Uncertainty and its Disentanglement in multi-label Chest X-Ray Classification [11.21639536740362]
  コンボリューション(ResNet)とトランスフォーマー(Vision Transformer)アーキテクチャにおける13の不確実性定量化手法を評価する。 Evidential Deep Learning, HetClass NNs, Deep Deterministic Uncertaintyをマルチラベル設定に拡張する。
  論文  参考訳（メタデータ） (2025-08-06T13:58:17Z)
• A metrological framework for uncertainty evaluation in machine learning classification models [0.0]
  本稿では, メタロジカルな概念的不確実性評価フレームワークを提案する。 我々のフレームワークは、測定の不確実性表現ガイド(GUM)を名目上の特性の不確実性に拡張するものである。
  論文  参考訳（メタデータ） (2025-04-04T11:28:48Z)
• Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials [0.0]
  モデル誤差の定量化には機械学習原子間ポテンシャル(MLIP)の不確実性推定が不可欠である。 予測的GPR標準偏差やアンサンブルに基づく不確実性を含む,GPRに基づくMLIPの不確実性の評価を行った。
  論文  参考訳（メタデータ） (2024-10-27T10:06:09Z)
• Kernel Language Entropy: Fine-grained Uncertainty Quantification for LLMs from Semantic Similarities [79.9629927171974]
  大規模言語モデル(LLM)の不確実性は、安全性と信頼性が重要であるアプリケーションには不可欠である。 ホワイトボックスとブラックボックス LLM における不確実性評価手法である Kernel Language Entropy (KLE) を提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:42:05Z)
• Quantification of Uncertainty with Adversarial Models [6.772632213236167]
  不確実性の定量化は、現実のアプリケーションにおいて実行可能な予測にとって重要である。 逆数モデル(QUAM)による不確かさの定量化を提案する。 QUAM は積分の下にある積全体が大きい領域を識別する。
  論文  参考訳（メタデータ） (2023-07-06T17:56:10Z)
• Evaluating AI systems under uncertain ground truth: a case study in dermatology [43.8328264420381]
  不確実性を無視することは、モデル性能の過度に楽観的な推定につながることを示す。 皮膚状態の分類では,データセットの大部分が重大な真理不確実性を示すことが判明した。
  論文  参考訳（メタデータ） (2023-07-05T10:33:45Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。