.png){kind=icon}
返回
A self-regulated convolutional neural network for classifying variable stars
.png){kind=icon}
OA
AI
DOI：10.1093/mnras/staf840.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在过去二十年里，机器学习模型已被广泛应用于变星分类，并证明其有效性，特别是在采用卷积神经网络、循环神经网络和Transformer模型等深度学习架构后。尽管这些模型已实现高精度，但它们需要高质量、代表性的数据以及每种变星类型的大量标注样本才能良好泛化，这在时域巡天中可能构成挑战。这一挑战常导致模型学习并强化训练数据中固有的偏差，当验证在来自同一目录的子样本上进行时，该问题不易被检测。变星数据中的偏差问题在很大程度上被忽视，且尚未建立明确的解决方案。本文提出一种新方法，通过引入自调节训练过程来提升变星分类器可靠性。该过程利用基于物理增强的潜在空间变分自编码器生成的合成样本，并纳入了Gaia Data Release 3中的六个物理参数。我们的方法具有分类器与生成模型之间的动态交互特征，其中生成模型为分类器训练期间产生特制合成光变曲线以减少混淆，并填充物理参数空间中代表性不足的区域。在多种场景下进行的实验表明，我们的自调节训练方法在偏差数据集上的变星分类中优于传统训练方法，显示出统计学上的显著改进。
Keyword:
methods: analytical
software: data analysis
software: machine learning
stars: statistics
stars: variables: general
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.8
论文数:
7.0W
被引数:
25.0W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容