論文の概要: Bayesian classification of astronomical spectra with class uncertainties

• arxiv url: http://arxiv.org/abs/2609.21694v1
• Date: Fri, 18 Sep 2026 12:28:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.08357
• Title: Bayesian classification of astronomical spectra with class uncertainties
• Title（参考訳）: 階級不確かさを伴う天文学スペクトルのベイズ分類
• Abstract要約: 恒星及び銀河外ターゲットの低分解能および高分解能スペクトルのOウェイ分類を行う確率論的機械学習手法を開発した。 1)畳み込みニューラルネットワーク(CNN)、(2)ディリクレ分布、(3)モンテカルロドロップアウト(MCD)、(4)ベイズニューラルネットワーク(BNN)+変動推論(VI)の4つの異なる手法が検討されている。 精度,曲線下面積(AUC),予測校正誤差(ECE),シャノンエントロピー(Shannon entropy),負対数類似度(NLL),ブライアスコア(Brier score),トレーニング時間(トレーニング時間),推論(推論)など,すべての手法を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context: We developed a probabilistic machine learning method with the aim of performing the O(10)-way classification of low- and high-resolution spectra of stellar and extragalactic targets for the upcoming 4MOST survey. In fulfilment of the survey requirements, this method should be able to express uncertainty in the input data as well as uncertainty introduced in its prediction. Aims: Four different methods are explored: (1) convolutional neural networks (CNNs), (2) the Dirichlet distribution, (3) Monte Carlo dropout (MCD), (4) Bayesian neural Networks (BNNs) + variational inference (VI). Training and validation was performed using labelled spectra from the SDSS database and a custom 4MOST mock dataset. All the methods were compared in terms of the same metrics: accuracy, area under the curve (AUC), expected calibration error (ECE), Shannon entropy, negative log-likelihood (NLL), Brier score, training time, and inference time. Methods: A CNN with simple architecture and about 20,000 parameters was trained to achieve classification accuracies of 91.5% on SDSS data and 92.8% on 4MOST mock data. The direct Dirichlet prediction and VI models tested provide uncertainties on class membership probabilities, but they confuse classes more often. The MCD on a CNN is found to be the most suitable; it boosts the point-estimate accuracies to 92.6% and 93.9%, while still providing fast training and sufficiently fast inference. Compared to a standard CNN, the method additionally provides well-calibrated uncertainties at marginal extra cost.
• Abstract（参考訳）: コンテキスト: 今後の4MOSTサーベイにおいて、恒星及び銀河外目標の低分解能スペクトルと高分解能スペクトルのO(10)方向分類を行うための確率論的機械学習手法を開発した。 調査要件を満たすためには,入力データの不確実性だけでなく,その予測に導入された不確実性も表現できる必要がある。 目的:(1)畳み込みニューラルネットワーク(CNN)、(2)ディリクレ分布、(3)モンテカルロドロップアウト(MCD)、(4)ベイズニューラルネットワーク(BNN)+変動推論(VI)の4つの異なる手法を探索する。 SDSSデータベースのラベル付きスペクトルとカスタム4MOSTモックデータセットを使用してトレーニングと検証が行われた。 精度,曲線下面積 (AUC) , 期待校正誤差 (ECE) , シャノンエントロピー (Shannon entropy) , 負の対数類似度 (NLL) , ブライアスコア (Brier score) , トレーニング時間 (トレーニング時間) , 推論時間 (推論時間) を比較検討した。 メソッド: SDSSデータで91.5%、4MOSTモックデータで92.8%の分類精度を達成するために、単純なアーキテクチャで約20,000のパラメータを持つCNNが訓練された。 試験されたディリクレ予想とVIモデルは、クラスメンバーシップの確率に不確実性をもたらすが、クラスを混乱させることが多い。 CNN上のMCDは最も適しており、ポイント推定精度を92.6%と93.9%に引き上げ、高速なトレーニングと十分に高速な推論を提供する。 標準のCNNと比較して、この手法は限界余剰コストでよく校正された不確実性を提供する。

関連論文リスト

• Learning and Interpreting Gravitational-Wave Features from CNNs with a Random Forest Approach [9.455814650734618]
  本稿では,CNNに基づく特徴抽出器とランダムフォレスト(RF)分類器を組み合わせたハイブリッドアーキテクチャを提案する。 提案手法では, 物理的に解釈可能な4つの指標 – 分散, 信号対雑音比 (SNR) , 波形重なり, ピーク振幅 – を導入している。 長期歪データセットを用いて実験した結果,我々のハイブリッドモデルはベースラインCNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-26T07:33:27Z)
• Bayes Error Rate Estimation in Difficult Situations [1.376408511310322]
  ベイズ誤り率(英: Bayes Error Rate、BER)は、任意の機械学習モデルの達成可能な一般化可能な分類精度の基本的な限界である。 本稿では,モンテカルロシミュレーションと合成データを用いて,その精度を詳細に検討する。 その結果、kNNはより正確な非パラメトリック推定器であることがわかった。
  論文  参考訳（メタデータ） (2025-05-21T19:58:20Z)
• Uncertainty-aware Sampling for Long-tailed Semi-supervised Learning [89.98353600316285]
  擬似ラベルサンプリングのモデル化プロセスに不確実性を導入し、各クラスにおけるモデル性能が異なる訓練段階によって異なることを考慮した。 このアプローチにより、モデルは異なる訓練段階における擬似ラベルの不確かさを認識でき、それによって異なるクラスの選択閾値を適応的に調整できる。 FixMatchのような他の手法と比較して、UDTSは自然シーン画像データセットの精度を少なくとも5.26%、1.75%、9.96%、1.28%向上させる。
  論文  参考訳（メタデータ） (2024-01-09T08:59:39Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Classification of fNIRS Data Under Uncertainty: A Bayesian Neural Network Approach [0.15229257192293197]
  オープンアクセスデータセット上でバイナリ分類を行うために,ベイズニューラルネットワーク(bnn)を使用する。 私たちのモデルは、ボランティア30人に対して86.44%の全体的な分類精度を作り出した。
  論文  参考訳（メタデータ） (2021-01-18T15:43:59Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。