論文の概要: UnEZ: A Fully Unsupervised Self-Templating Neural Network for Redshift and Line Strength Estimation
- arxiv url: http://arxiv.org/abs/2610.38816v1
- Date: Wed, 28 Oct 2026 20:14:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.413219
- Title: UnEZ: A Fully Unsupervised Self-Templating Neural Network for Redshift and Line Strength Estimation
- Title（参考訳）: UnEZ:赤方偏移と線強度推定のための完全教師なし自己整合ニューラルネットワーク
- Abstract要約: 我々は、光学的赤方偏移と線強度を事前の赤方偏移や線強度ラベルなしで予測できる、完全に教師なし、物理インフォームド機械学習モデルUnEZを提案する。
UnEZはSloan Digital Sky Survey (SDSS) Data Release 18でテストされた。
- 参考スコア（独自算出の注目度）: 0.3058685580689604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As spectroscopic surveys grow, estimating galaxy properties such as metallicity, star formation rate, and redshift becomes computationally cumbersome. Methods of estimating such properties rely on template spectra or curated redshift catalogs, which fail to represent the diversity of objects seen in large-scale surveys. We present UnEZ, a fully unsupervised, physics-informed machine learning model that can predict spectroscopic redshifts and line strengths with no prior redshift or line strength labels. An encoder predicts emission and absorption line amplitudes/widths, and a fixed deterministic decoder constructs a unique template, estimated redshift, redshift confidence curve, and spectral model. UnEZ was tested on the Sloan Digital Sky Survey (SDSS) Data Release 18 due to its large dataset and thoroughly vetted redshift catalog which serves as an independent benchmark. Despite the lack of templates, line strength labels, or redshift labels, UnEZ's performance competes with modern redshift estimation algorithms. At SNR > 10, UnEZ achieves an outlier fraction of 0.459% and a normalized median absolute deviation (NMAD) of $1.237 \times 10^{-4}$. At SNR > 3, UnEZ achieves an outlier fraction of 3.89% and an NMAD of $1.471 \times 10^{-4}$. Furthermore, we demonstrate how UnEZ's line strength and redshift predictions can be utilized for various purposes such as constructing template spectra required in traditional redshift estimation algorithms. UnEZ illustrates how a fully unsupervised neural network can allow redshift, among other galaxy properties, to emerge naturally from the spectra themselves, providing a template-free, label-free approach that scales to the demands of future surveys.
- Abstract（参考訳）: 分光調査が成長するにつれて、金属性、星形成速度、赤方偏移などの銀河特性の推定は計算的に困難になる。
このような特性を推定する方法はテンプレートスペクトルやキュレートされた赤方偏移カタログに依存しており、大規模な調査で見られる物体の多様性を表現できない。
我々は、光学的赤方偏移と線強度を事前の赤方偏移や線強度ラベルなしで予測できる、完全に教師なし、物理インフォームド機械学習モデルUnEZを提案する。
エンコーダは発光・吸収線振幅/幅を予測し、固定決定論的デコーダは独自のテンプレート、推定赤方偏移、赤方偏移信頼曲線、スペクトルモデルを構築する。
UnEZはSloan Digital Sky Survey (SDSS) Data Release 18でテストされた。
テンプレート、ライン強度ラベル、レッドシフトラベルがないにもかかわらず、UnEZのパフォーマンスは現代のリシフト推定アルゴリズムと競合する。
SNR > 10 では、UnEZ は0.459%、正規化中央絶対偏差 (NMAD) は1.237 \times 10^{-4}$である。
SNR > 3 では、UnEZ は3.89%、NMAD は1.471 \times 10^{-4}$である。
さらに、従来の赤方偏移推定アルゴリズムで必要とされるテンプレートスペクトルの構築など、UnEZの線強度と赤方偏移予測が様々な目的にどのように利用できるかを示す。
UnEZは、完全に教師されていないニューラルネットワークが、他の銀河の性質の中で、赤方偏移をスペクトル自体から自然に生じさせ、将来の調査の要求に応じてテンプレートのないラベルなしのアプローチを提供する方法について説明している。
関連論文リスト
- Improving Generalization and Uncertainty Quantification of Photometric Redshift Models [0.0]
我々は、幅広い種類の銀河に対して、光度赤方偏移推定のための機械学習モデルを訓練する。
合成データセットでトレーニングされたNNは、赤方偏移範囲内で4.5倍の偏差を持つフォト-z$sを予測する。
また、BNNは信頼性の高い不確実性推定を生成するが、異なる基底事実に敏感であることも見出した。
論文 参考訳（メタデータ） (2026-01-23T23:19:47Z) - Reevaluating Convolutional Neural Networks for Spectral Analysis: A Focus on Raman Spectroscopy [1.1545092788508224]
我々は1次元畳み込みニューラルネットワーク(CNN)を評価し,4つの進歩を報告した。
コンパクトCNNは、手作りの機能で$k$-nearest-neborsを上回っている。
ラベル効率の学習: 半教師付き生成的敵ネットワークと対照的な事前学習により、最大で11%の精度が向上し、わずか10%のラベルしか取得できない。
このワークフローには、生のスペクトルのトレーニング、プールのチューニング、ラベルの不足時に半スーパービジョンの追加、新しいターゲットに対する微調整が含まれる。
論文 参考訳（メタデータ） (2025-09-30T09:01:38Z) - Template-Fitting Meets Deep Learning: Redshift Estimation Using Physics-Guided Neural Networks [0.4416697929169138]
本稿では,物理誘導ニューラルネットワークを用いたテンプレートフィッティングとディープラーニングを統合したハイブリッド手法を提案する。
我々は、約40万個の銀河を含むPreMLデータセット上で、我々のモデルを評価した。
提案手法は, RMS誤差0.0507, 3シグマ破滅率0.13%, バイアス0.0028を達成する。
論文 参考訳（メタデータ） (2025-07-01T15:29:45Z) - Variational diffusion transformers for conditional sampling of supernovae spectra [49.1574468325115]
本報告では,光曲線観測に基づく拡散モデルであるDiTSNe-Iaを導入し,SNe Iaのスペクトルの多様性を再現する訓練を行った。
放射光伝達シミュレーションによる現実的な光曲線とスペクトルの実験において、DiTSNe-Iaは広く使用されているSALT3テンプレートよりもはるかに正確な再構成を行う。
論文 参考訳（メタデータ） (2025-05-05T22:52:32Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - Convolutional neural network for Lyman break galaxies classification and redshift regression in DESI (Dark Energy Spectroscopic Instrument) [0.0]
我々は、DESI、Lyman Break Galaxies (LBGs)によって観測される1種類の物体に焦点を当てている。
目的は、スペクトルを用いて実際にLBGであるかどうかを判断し、もしそうなら、赤方偏移と呼ばれる現象を使って地球からの距離を決定することである。
これにより、これらの銀河をDESI 3Dマップ上に配置することができます。
この目的は、QuassarNETにインスパイアされた畳み込みニューラルネットワーク(CNN)を開発することである。
論文 参考訳（メタデータ） (2024-06-24T15:35:51Z) - Deep-learning based measurement of planetary radial velocities in the
presence of stellar variability [70.4007464488724]
我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。
マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
論文 参考訳（メタデータ） (2023-04-10T18:33:36Z) - Machine Learning for automatic identification of new minor species [1.617647375371818]
未監視の機械学習に基づく新しい手法を提案し,新しい小種を自動的に検出する。
我々は,データ量スペクトルと源スペクトルの線形混合により,データセットの非線形性を近似する。
私たちのアプローチでは、ノイズレベルの1.5倍の104ドルから100ドルの隠されたスペクトルで存在する化合物を検出できます。
論文 参考訳（メタデータ） (2020-12-15T09:51:19Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - 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)
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。