基于等变 Transformer 变分自编码器的星系形态半监督学习
机器学习
2020-11-18 v1 机器学习
摘要
星系图像数量的增长远快于人类对这些星系进行标注的速度。然而，通过利用不断增长的未标注图像集中的信息，半监督学习可成为减少所需标注并提升分类精度的有效途径。我们开发了一种带有等变 Transformer 层并从潜空间引出分类器网络的变分自编码器（VAE）。我们表明，这一新颖架构在 Galaxy Zoo 数据集的星系形态分类任务中带来了精度提升。此外，我们证明，作为 VAE 的一部分利用未标注数据对分类器网络进行预训练，与现有方法相比可用更少标签达到更高精度。这一新颖 VAE 有潜力以更少人工标注 effort 实现星系形态分类的自动化。
引用
@article{arxiv.2011.08714,
title = {Semi-supervised Learning of Galaxy Morphology using Equivariant Transformer Variational Autoencoders},
author = {Mizu Nishikawa-Toomey and Lewis Smith and Yarin Gal},
journal= {arXiv preprint arXiv:2011.08714},
year = {2020}
}
备注
Accepted at the workshop for Machine Learning and the Physical Sciences, 34th Conference on Neural Information Processing Systems (NeurIPS) December 11, 2020