星体光谱的深层多模态表征学习
太阳与恒星天体物理
2024-11-19 v2 星系天体物理
天体物理仪器与方法
计算物理
数据分析、统计与概率
摘要
最近，Contrastive Learning（CL）——最著名地用于自然语言和计算机视觉——被用于以自监督方式训练信息丰富的星系光谱和图像的表征空间。跟随这一思路，我们为星体（尤其是银河系中的星体）实现了 CL。具体而言，我们研究 Gaia XP 系数和 RVS 光谱。因此，本文中呈现的方法为聚合潜在包含在多模态数据中的知识奠定了基础，以便为下游任务（如跨模态生成或融合星体参数估计）提供支持。我们发现，CL 结果导致高度结构化的表征空间，其具有显式的物理意义。使用该表征空间执行跨模态生成和星体标签回归结果表现出色，既产生高质量的生成样本，又实现准确而精确的标签预测。
引用
@article{arxiv.2410.16081,
title = {Deep Multimodal Representation Learning for Stellar Spectra},
author = {Tobias Buck and Christian Schwarz},
journal= {arXiv preprint arXiv:2410.16081},
year = {2024}
}
备注
accepted to the Machine Learning and the Physical Sciences Workshop, NeurIPS 2024