Representation learning for fast radio burst dynamic spectra
Notice bibliographique
Résumé
ABSTRACT Fast radio bursts (FRBs) are millisecond-duration radio transients of extragalactic origin, with diverse time-frequency patterns and emission properties that require explanation. With one possible exception, FRBs are detected only in the radio, analysing their dynamic spectra is therefore crucial to disentangling the physical processes governing their generation and propagation. Furthermore, comparing FRB morphologies provides insights into possible differences among their progenitors and environments. This study applies unsupervized learning and deep-learning techniques to investigate FRB dynamic spectra, focusing on two approaches: principal component analysis (PCA) and a convolutional auto-encoder (CAE) enhanced by an information-ordered bottleneck (IOB) layer. PCA served as a computationally efficient baseline, capturing broad trends, identifying outliers, and providing valuable insights into large data sets. However, its linear nature limited its ability to reconstruct complex FRB structures. In contrast, the IOB-augmented CAE excelled at capturing intricate features, with high reconstruction accuracy and effective denoizing at modest signal-to-noise ratios. The IOB layer’s ability to prioritize relevant features enabled efficient data compression, preserving key morphological characteristics with minimal latent variables. When applied to real FRBs from Canadian Hydrogen Intensity Mapping Experiment (CHIME), the IOB–CAE generalized effectively, revealing a latent space that highlighted the continuum of FRB morphologies and the potential for distinguishing intrinsic differences between burst types. This framework demonstrates that while FRBs may not naturally cluster into discrete groups, advanced representation learning techniques can uncover meaningful structures, offering new insights into the diversity and origins of these bursts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».