评估用于测光红移估计的物理驱动损失函数
天体物理仪器与方法
2023-10-23 v1
摘要
已有研究建议，物理约束可使神经网络模型比无约束基线更具泛化能力、在科学上更合理且数据效率更高。在本报告中，我们展示了初步工作，评估将软物理约束添加到为斯隆数字巡天（Sloan Digital Sky Survey）训练的、用于估计输入星系图像上红移条件密度的计算机视觉神经网络中的效果。我们引入了非由微分或积分算子实现的物理驱动软约束项。我们将此工作构建为一项简单的消融研究，其中将包含软物理约束的影响与无约束基线进行比较。我们使用测光红移估计的标准点估计度量，以及评估我们的条件密度估计在测试数据集整体上表示概率的忠实程度的度量来比较网络。我们未发现证据表明所实现的软物理约束比数据增强更有效地作为正则化器。
引用
@article{arxiv.2310.13624,
title = {Evaluating Physically Motivated Loss Functions for Photometric Redshift Estimation},
author = {Andrew Engel and Jan Strube},
journal= {arXiv preprint arXiv:2310.13624},
year = {2023}
}
备注
Preliminary Report; Submitted to Neurips 2023 as Workshop Paper