Machine learning techniques for galaxy imagery and photometry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the past two decades, autonomous digital sky surveys have enabled significant advances in astronomy by collecting massive databases of imagery and other information. The quantity of data, coupled with the variety of scientific questions that require its analysis, makes manual analysis of these data impractical. To address this challenge, machine learning algorithms have been widely adopted for data analysis and product generation in astronomy. In this dissertation I examine the efficacy of machine learning algorithms such as deep convolutional neural networks, support vector machines, and vision transformers for the purpose of astronomical data analysis, with emphasize on extra-galactic objects. These include algorithms that can annotate large datasets of galaxy images, and their application to premier digital sky surveys such as Pan-STARRS. Specifically, I address the following research question: How effective are machine learning algorithms for annotating astronomical data, and what are the downsides of using these algorithms for this purpose? Namely, biases that are typical to machine learning systems can influence the annotations, which may consequently lead to false conclusions when applying statistical analysis to data annotated using such systems. These biases are often difficult to identify. Overall, this research highlights the importance of careful consideration of machine learning algorithms and their potential biases when applying them to astronomical data analysis. Our findings have broad implications for the use of machine learning in astronomy and other scientific domains, as they demonstrate the importance of addressing potential biases in machine learning systems to avoid erroneous scientific conclusions.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle