physics.uu.se

이 이메일 도메인이 관측된 논문 2건

arXiv:2609.21694v1astro-ph.IM

클래스 불확실성을 포함한 천문 스펙트럼의 베이지안 분류

Bayesian classification of astronomical spectra with class uncertainties

맥락: 다가오는 4MOST 설문을 위해 항성 및 은하외 대상의 저·고분해능 스펙트럼에 대한 O(10)분류를 수행하기 목적으로 확률적 기계학습 방법을 개발했다. 설문 요구사항 충족을 위해 이 방법은 입력 데이터의 불확실성뿐 아니라 예측에 수반되는 불확실성도 표현할 수 있어야 한다. 목적: 네 가지 방법을 탐색한다: (1) 합성곱 신경망(CNN), (2) 디리클레 분포, (3) 몬테카를로 드롭아웃(MCD), (4) 베이지안 신경망(BNN)과 변분 추론(VI). SDSS 데이터베이스의 라벨 스펙트럼과 맞춤 4MOST 모의 데이터셋으로 학습과 검증을 수행했다. 모든 방법은 동일 지표로 비교했다: 정확도, ROC 곡선 아래 면적(AUC), 기대 보정 오차(ECE), 섀넌 엔트로피, 음의 로그 가능도(NLL), 브라이어 점수, 학습 시간, 추론 시간. 방법: 약 2만 개 파라미터를 갖춘 단순 구조의 CNN을 학습하여 SDSS 데이터에서 91.5%, 4MOST 모의 데이터에서 92.8%의 분류 정확도를 달성했다. 직접 디리클레 예측과 VI 모델은 클래스 소속 확률에 대한 불확실성을 제공하지만 클래스를 더 자주 혼동한다. CNN에 MCD를 적용한 방법이 가장 적합한 것으로 나타났다. 점 추정 정확도를 92.6%와 93.9%로 끌어올리면서도 빠른 학습과 충분히 빠른 추론을 유지한다. 표준 CNN과 비교할 때, 이 방법은 미미한 추가 비용으로 잘 보정된 불확실성을 추가로 제공한다.

arXiv:2603.29566v2cs.LG

다항식 군 합성곱 신경망의 기하학

The Geometry of Polynomial Group Convolutional Neural Networks

우리는 임의의 유한 군 $G$에 대한 다항식 군 합성곱 신경망(PGCNN)을 연구한다. 특히 차분 군 대수(graded group algebra)의 언어를 사용하여 PGCNN을 위한 새로운 수학적 틀을 제안한다. 이 틀은 Hadamard 곱과 Kronecker 곱에 기반한 두 가지 자연스러운 아키텍처 매개변수화를 제공하며, 선형 사상으로 서로 연결된다. 우리는 관련 neuromanifold의 차원을 계산하고, 이것이 층 수와 군의 크기에만 의존함을 검증한다. 또한 Kronecker 매개변수화의 일반 fiber를 정규 군 작용(regular group action)과 스케일 재조정(rescaling)까지 포함하여 기술하고, Hadamard 매개변수화에 대한 유사한 기술을 추측한다. 이 추측은 작은 군과 얕은(shallow) 네트워크에 대한 명시적 계산으로 뒷받침된다.