每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

通过因果分析和互信息分解解释基于深度学习的恒星质量估计

Created by
  • Haebom

作者

张伟、林秋帆、丁元森、陈舒培、阮恒新、李松、王一凡

大纲

基于多波段星系图像训练的端到端深度学习模型是强大的数据驱动工具，可用于在无需光谱的情况下估算星系的物理特性。然而，这些模型缺乏可解释性，且具有关联性，因此难以理解积分光度以外的信息（例如形态）如何影响估算。本研究旨在使用两种可解释性技术来解释基于深度学习的恒星质量估算：因果分析和互信息分解。利用斯隆数字巡天（SDSS）和广域红外巡天（WISE）的数据，我们获得了有意义的结果，为基于图像的模型提供了物理解释。

Takeaways, Limitations

•
我们展示了结合深度学习和可解释性技术的好处。
•
我们对基于图像的恒星质量估计模型提供了物理解释。
•
它有可能促进数据驱动的天体物理研究，例如天体物理参数的估计和复杂多元物理过程的研究。
•
它仅限于两种可解释性技术：因果分析和互信息分解。
•
依赖于 SDSS 和 WISE 数据。
👍
Made with Slashpage