Grafici ponderati dei dati di tracciamento per un singolo pianeta. Le linee ciano tratteggiate rappresentano il numero 16sì50sì E 84sì Le percentuali e le linee rosa intenso tratteggiate rappresentano i parametri del modello avanzato. Ciò mostra le varie forme di distribuzione dei valori target e i parametri del modello forward non corrispondono necessariamente al 50° percentile. — Ph.EP astronomico
I progressi tecnologici hanno portato a una crescita esplosiva nella raccolta di dati in quasi tutti i campi, inclusa l’astrofisica, poiché i ricercatori si sono rivolti all’apprendimento automatico per elaborare e analizzare questi dati. Un esempio notevole di tali dati in astrofisica è il recupero atmosferico di esopianeti.
Per contribuire a colmare il divario tra gli esperti di machine learning e di astrofisica, è stata organizzata l'Ariel Data Challenge 2023 per prevedere le distribuzioni di fondo di 7 caratteristiche esoplanetarie. La procedura descritta in questo articolo ha utilizzato una combinazione di due modelli di deep learning per affrontare questa sfida: un modello gaussiano multivariato che genera la matrice media-covarianza di una distribuzione gaussiana multivariata e un modello quantile unificato che prevede i quantili da utilizzare come il più alto e il più alto. Limiti inferiori della distribuzione uniforme.
L'addestramento con il modello gaussiano multivariato è risultato instabile, mentre l'addestramento con il modello quantile uniforme era stabile. È stato riscontrato che l'insieme di distribuzioni uniformi ha risultati competitivi durante i test (punteggio posteriore 696,43) e, se combinato con una distribuzione gaussiana multivariata, ha ottenuto il terzo posto nell'Ariel Data Challenge del 2023 (punteggio posteriore 681,57).
Andrea Dolce
Commenti: 19 pagine, 7 numeri, Atti della conferenza ECML PKDD 2023
Argomenti: Astrofisica terrestre e planetaria (astro-ph.EP); Strumenti e Metodi Astrofisici (astro-ph.IM); Apprendimento automatico (cs.LG); Analisi dei dati, statistica e probabilità (physical.data-an)
Citare come: arXiv:2406.10771 [astro-ph.EP] (Oppure arXiv:2406.10771v1 [astro-ph.EP] per questa versione)
Data di presentazione
Autore: Andrew Sweet
[v1] Domenica 16 giugno 2024, 01:07:15 UTC (1.377 KB)
https://arxiv.org/abs/2406.10771
Astrobiologia
“Fan della TV. Risolutore di problemi malvagi. Amante del cibo appassionato. Explorer. Specialista di Internet. Imprenditore dilettante. Fanatico dell’alcol.”
