射电同位素识别无监督域适应
机器学习
2026-04-20 v2
摘要
使用伽马谱仪进行同位素识别的机器学习模型训练在许多实际应用中仍然棘手，主要源于获取和标记大量多样化实验数据集的困难。仿真数据可缓解这一困难，但在部署到离散测试环境时，基于仿真数据训练的模型准确率可能显著恶化。在本研究中，我们证明了无监督域适应(UDA)可提高在新测试域中训练模型泛化的能力，前提是可用作目标域的无标记数据。常规监督技术无法利用这些数据，因为缺乏同位素标签，无法定义监督分类损失。我们比较了各种不同的UDA技术，发现特征对齐策略，特别是通过最大均值不确定性(MMD)最小化或域对抗训练，能为测试得分提供最一致的改进。例如，使用定制的基于Transformer的神经网络，我们在通过MMD最小化进行无监督特征对齐后，获得在实验LaBr测试集上的测试准确率为，而对齐前为。总体而言，我们的结果凸显了使用UDA来适应在合成数据上训练的同位素分类器以实现实际部署的潜力。
引用
@article{arxiv.2603.05719,
title = {Unsupervised domain adaptation for radioisotope identification in gamma spectroscopy},
author = {Peter Lalor and Ayush Panigrahy and Alex Hagen},
journal= {arXiv preprint arXiv:2603.05719},
year = {2026}
}
备注
38 pages, 5 figures, and 14 tables