Nov, 2023

deep-REMAP: 使用正则化多任务学习参数化恒星光谱

PDF
TL;DR利用 PHOENIX 库的丰富合成光谱和 MARVELS 调查的观测数据，我们开发了一种名为 deep-REMAP 的深度正则化集成多任务学习框架，利用先进的机器学习技术准确预测恒星大气参数，从观测光谱中确定有效温度、表面重力和金属 licity。结果表明，deep-REMAP 在其他恒星库和性质上具有卓越的预测能力，为恒星表征提供了更复杂和自动化的技术。
发现论文，激发创造
  • 利用深度学习重建太阳系外行星大气参数

    本研究利用深度学习和反向建模技术相结合的多模态架构，提出一种多目标概率回归方法，从外行星中提取大气参数，克服了计算限制，胜过先前的方法，在外行星大气的高效分析上做出了重要贡献，并为未来研究提供了有价值的见解。

    Oct, 2023

  • 利用自动编码器和深度迁移学习确定 286 个 CARMENES M 矮星的恒星参数

    利用深度迁移学习和自动编码器，基于特征的深度迁移学习方法可以准确地确定 M 矮星的恒星参数，包括有效温度、表面重力、金属丰度和投影旋转速度。通过在降维的特征空间中使用卷积神经网络进行参数估计，实现了人工合成光谱与实际观测光谱之间特征分布的减小，从而提供了准确的矮星参数估计结果。

    May, 2024

  • 用贝叶斯神经网络集合进行外行星大气检索

    这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。

    May, 2019

  • 多帧超分辨率和降噪的深度重参化

    本文提出了一种基于深度重参数化的多帧图像修复方法，通过引入学习的错误度量和目标图像的潜在表示，将最大后验形式直接模拟在潜在空间中，并集成了学习的图像先验，实现了深度学习与经典 MAP 公式的多帧融合。本方法在多组实验证明其泛化性和效果优越性，为多帧降噪和多帧超分辨率任务设立了新的最优记录。

    Aug, 2021

  • 基于深度学习的光度红移估计

    本文介绍了一种基于卷积网络和混合密度网络的新方法，并使用 SDSS（DR9）中的数据进行实验，证明此方法相比之前的方法具有更好的性能，可以预测任何类型数据（例如星系、类星体、恒星）的物理参数概率密度函数，是解决基于成像数据的概率性回归问题的一种通用方法。

    Jun, 2017

  • 利用异构无监督任务的度量正则化和时间集成进行多任务学习

    通过使用转移学习、无监督自学习、无监督多任务学习、基于度量的正则化项和时间任务集合（TTE）等技术来学习泛化特征表示，避免了整个网络倾向于特定任务的状态，并在分类、目标检测和嵌入聚类等任务中表现出比现有方法更有效的性能提升。

    Aug, 2019

  • 使用机器学习代理模型复现行星大气参数重构的贝叶斯后验分布

    用机器学习建立的代理模型，能够生成类似于使用传统检索软件（如 TauRex）从行星凌星光谱中得出的行星大气参数的贝叶斯后验分布。该模型通过对七个参数（行星半径、大气温度以及五种常见吸收剂的混合比：$H_2O$、$CH_4$、$NH_3$、$CO$ 和 $CO_2$）的真实分布进行预训练，采用问题领域的启发式预处理和半监督学习方法提高模型性能，并在 2023 年 Ariel 机器学习数据挑战中获得优胜方案之一。

    Oct, 2023

  • 可学习流形对齐（LeMA）：一种半监督跨模态学习框架用于土地覆盖和土地利用分类

    本文提出了一种称为可学习流形对齐（LeMA）的新型半监督交叉模态学习框架，通过学习一种联合图结构来捕获数据分布，从而实现更准确的决策边界，以解决遥感图像分类中使用大量谱变化模糊的多光谱数据所带来的挑战。

    Jan, 2019

  • 红巨星的年龄和质量估计的光谱变换器（SPT）

    使用 Spectral Transformer（SPT）模型，通过红巨星的光谱预测其年龄和质量，具有较高的精度和一致性，超越传统机器学习算法，并与天体测量和恒星等值线拟合技术表现出较高的相关性。

    Jan, 2024

  • 远程感知中高效的谐调迁移学习与模态对齐

    通过采用 “Harmonized Transfer Learning and Modality Alignment (HarMA)” 方法，本研究在遥感领域中实现了优异的性能，同时最小化了训练开销，通过满足任务约束、模态对齐和单模态统一对齐三个目标，而不需要外部数据进行训练。

    Apr, 2024