- Ημι-εποπτευόμενος πυρήνας PCA (arXiv)
Συγγραφέας: Christian Walder, Ricardo Henao, Morten Mørup, Lars Kai Hansen
Περίληψη: Παρουσιάζουμε τρεις γενικεύσεις της Ανάλυσης Κύριων Στοιχείων του Πυρήνα (KPCA) που ενσωματώνουν τη γνώση των ετικετών κλάσεων ενός υποσυνόλου των σημείων δεδομένων. Το πρώτο, το MV-KPCA, τιμωρεί τις αποκλίσεις εντός κατηγορίας παρόμοιες με την ανάλυση διάκρισης Fisher. Το δεύτερο, το LSKPCA είναι ένα υβρίδιο παλινδρόμησης ελαχίστων τετραγώνων και PCA πυρήνα. Η τελική LR-KPCA είναι μια επαναληπτικά επανασταθμισμένη έκδοση της προηγούμενης η οποία επιτυγχάνει μια σιγμοειδή συνάρτηση απώλειας στα επισημασμένα σημεία. Παρέχουμε μια θεωρητική δέσμευση κινδύνου καθώς και ενδεικτικά πειράματα σε σύνολα δεδομένων πραγματικών και παιχνιδιών
2.PCA πυρήνα για φωτομετρική ταξινόμηση υπερκαινοφανών τύπου Ia (arXiv)
Συγγραφέας: Emille E. O. Ishida, Rafael S. de Souza
Περίληψη: Σε αυτή την εργασία, προτείνουμε τη χρήση της ανάλυσης κύριου συστατικού πυρήνα (KPCA) σε συνδυασμό με τον αλγόριθμο k = 1 πλησιέστερου γείτονα (1NN) ως πλαίσιο για φωτομετρική ταξινόμηση υπερκαινοφανών (SNe). Η ταξινόμηση βασίζεται εξ ολοκλήρου σε πληροφορίες εντός του φασματοσκοπικά επιβεβαιωμένου δείγματος και κάθε νέα καμπύλη φωτός ταξινομείται μία κάθε φορά. Αυτό μας επιτρέπει να ενημερώσουμε τον χώρο παραμέτρων του κύριου στοιχείου (PC) εάν είναι διαθέσιμη μια νέα φασματοσκοπική καμπύλη φωτός, ενώ επίσης αποφεύγεται η ανάγκη επαναπροσδιορισμού της για κάθε μεμονωμένη νέα ταξινόμηση. Εφαρμόσαμε τη μέθοδο σε διαφορετικές περιπτώσεις του συνόλου δεδομένων \textit{Supernova Photometric Classification Challenge} (SNPCC). Η μέθοδός μας παρέχει καλά αποτελέσματα καθαρότητας σε όλα τα δείγματα δεδομένων που αναλύθηκαν, όταν SNR≥5. Κατά συνέπεια, μπορούμε να δηλώσουμε ότι εάν ένα δείγμα όπως το post-SNPCC ήταν διαθέσιμο σήμερα, θα μπορούσαμε να ταξινομήσουμε ≈15 από το αρχικό σύνολο δεδομένων με καθαρότητα ≳ 90% (D7+SNR3). Τα αποτελέσματα από το αρχικό δείγμα SNPCC, που αναφέρθηκε ως συνάρτηση της μετατόπισης προς το κόκκινο, δείχνουν ότι η μέθοδός μας παρέχει υψηλή καθαρότητα (έως ≈97), ειδικά στην περιοχή 0,2≤z‹0,4, σε σύγκριση με τα αποτελέσματα από το SNPCC, διατηρώντας παράλληλα ένα μέτρια αξία (≈0,25). Παρουσιάζουμε επίσης αποτελέσματα για τη φωτομετρική ταξινόμηση SNe χρησιμοποιώντας μόνο προ-μέγιστες εποχές, λαμβάνοντας 63% καθαρότητα και 77% επιτυχή ποσοστά ταξινόμησης (SNR≥5). Τα αποτελέσματα είναι ευαίσθητα στις πληροφορίες που περιέχονται σε κάθε καμπύλη φωτός, ως αποτέλεσμα, υψηλότερης ποιότητας σημεία δεδομένων οδηγούν σε υψηλότερα ποσοστά επιτυχούς ταξινόμησης. Η μέθοδος είναι αρκετά ευέλικτη ώστε να εφαρμόζεται σε άλλες αστροφυσικές μεταβατικές καταστάσεις, εφόσον παρέχεται εκπαίδευση και δείγμα δοκιμής
