用于改进星系并合跨域研究的域适应技术
天体物理仪器与方法
2021-03-09 v3 星系天体物理
人工智能
机器学习
摘要
在天文学中，神经网络常在模拟数据上训练，以期应用于真实观测。遗憾的是，仅在一个域的图像上训练深度神经网络并不能保证其在不同域的新图像上表现满意。共享跨域知识是现代深度域适应技术的主要优势。本文演示了两种技术——最大均值差异（MMD）和基于域对抗神经网络（DANN）的对抗训练——在来自 Illustris-1 模拟的遥远星系并合分类中的使用，其中所呈现的两域仅因是否包含观测噪声而不同。我们展示了与传统机器学习算法相比，加入 MMD 或对抗训练任一方法都大幅提升了分类器在目标域上的性能，从而展现出其在天文学中应用的良好前景。
引用
@article{arxiv.2011.03591,
title = {Domain adaptation techniques for improved cross-domain study of galaxy mergers},
author = {A. Ćiprijanović and D. Kafkes and S. Jenkins and K. Downey and G. N. Perdue and S. Madireddy and T. Johnston and B. Nord},
journal= {arXiv preprint arXiv:2011.03591},
year = {2021}
}
备注
Accepted in: Machine Learning and the Physical Sciences - Workshop at the 34th Conference on Neural Information Processing Systems (NeurIPS); final version