Multi-Class Deep SVDD: Anomaly Detection Approach in Astronomy with Distinct Inlier Categories

要約

最新の測量望遠鏡によって生成される天文データの量が増加するにつれて、自動パイプラインと機械学習技術がこれらのデータセットを分析して知識を抽出するために重要になっています。
異常検出、つまりデータ内の不規則または予期しないパターンを特定するタスクは、天文学における複雑な課題です。
このペーパーでは、最先端の異常検出アルゴリズム One-Class Deep SVDD の拡張機能である Multi-Class Deep Support Vector Data description (MCDSVDD) を提案します。特に、異なるデータ分布を持つさまざまなインライア カテゴリを処理するように設計されています。
MCDSVDD はニューラル ネットワークを使用してデータを超球にマッピングします。各超球は特定のインライア カテゴリを表します。
これらの超球の中心から各サンプルの距離によって、異常スコアが決まります。
我々は、Zwicky Transient Facility から得られた天文光線曲線の大規模なデータセットに対するいくつかの異常検出アルゴリズムとそのパフォーマンスを比較することにより、MCDSVDD の有効性を評価します。
私たちの結果は、さまざまなインライア カテゴリの存在を活用しながら、異常なソースを検出する際の MCDSVDD の有効性を示しています。
結果を再現するために必要なコードとデータは、https://github.com/mperezcarrasco/AnomalyALeRCE で公開されています。

要約(オリジナル)

With the increasing volume of astronomical data generated by modern survey telescopes, automated pipelines and machine learning techniques have become crucial for analyzing and extracting knowledge from these datasets. Anomaly detection, i.e. the task of identifying irregular or unexpected patterns in the data, is a complex challenge in astronomy. In this paper, we propose Multi-Class Deep Support Vector Data Description (MCDSVDD), an extension of the state-of-the-art anomaly detection algorithm One-Class Deep SVDD, specifically designed to handle different inlier categories with distinct data distributions. MCDSVDD uses a neural network to map the data into hyperspheres, where each hypersphere represents a specific inlier category. The distance of each sample from the centers of these hyperspheres determines the anomaly score. We evaluate the effectiveness of MCDSVDD by comparing its performance with several anomaly detection algorithms on a large dataset of astronomical light-curves obtained from the Zwicky Transient Facility. Our results demonstrate the efficacy of MCDSVDD in detecting anomalous sources while leveraging the presence of different inlier categories. The code and the data needed to reproduce our results are publicly available at https://github.com/mperezcarrasco/AnomalyALeRCE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google