天文学中深度学习算法的鲁棒性——星系形态研究
星系天体物理
2021-11-03 v2 计算机视觉与模式识别
机器学习
摘要
深度学习模型正日益被应用于广泛科学领域，尤其是处理高维度和海量科学数据。然而，由于其复杂性与过参数化，这些模型往往脆弱，尤其易受到无意对抗扰动的影响，这类扰动可能来自压缩或模糊等常见图像处理，而真实科学数据中常出现此类情况。理解这种脆弱性并开发对这些对抗扰动鲁棒的模型至关重要。为此，我们研究了曝光时间带来的观测噪声，以及单像素攻击作为压缩或望远镜误差最坏情形代理，对ResNet18在LSST模拟数据中区分不同形态星系性能的影响。我们还探索了域适应技术如何帮助提升此类自然攻击下的模型鲁棒性，并助力科学家构建更可信、更稳定的模型。
引用
@article{arxiv.2111.00961,
title = {Robustness of deep learning algorithms in astronomy -- galaxy morphology studies},
author = {A. Ćiprijanović and D. Kafkes and G. N. Perdue and K. Pedro and G. Snyder and F. J. Sánchez and S. Madireddy and S. M. Wild and B. Nord},
journal= {arXiv preprint arXiv:2111.00961},
year = {2021}
}
备注
Accepted in: Fourth Workshop on Machine Learning and the Physical Sciences (35th Conference on Neural Information Processing Systems; NeurIPS2021); final version