تکنیک برچسب گذاری تکراری را می توان به کار برد، که با سایر چالش های کلان داده - ScienceDaily سازگار است
انتشار: تیر 15، 1401
بروزرسانی: 27 خرداد 1404

تکنیک برچسب گذاری تکراری را می توان به کار برد، که با سایر چالش های کلان داده - ScienceDaily سازگار است

دکتر Andrés Muñoz-Jaramillo، فیزیکدان خورشیدی SwRI با تخصص در یادگیری ماشین، می گوید: «ما CNN ها را با استفاده از برچسب های خام آموزش دادیم، و به صورت دستی فقط اختلافات خود را با دستگاه تأیید می کردیم. ما سپس الگوریتم را با داده های اصلاح شده دوباره آموزش دادیم و این فرآیند را تا زمانی که همه با هم موافق بودیم تکرار کردیم. در حالی که برچسب گذاری ظهور شار معمولاً به صورت دستی انجام می شود، این تعامل تکراری بین الگوریتم انسان و ML تأیید دستی را تا 50 درصد کاهش می دهد.»

دکتر درک لمب از SwRI، یکی از نویسندگان متخصص در تکامل گفت: «ما یک رویکرد یادگیری عمیق و سرتاسر برای طبقه بندی ویدیوهای تکامل پچ مغناطیسی بدون ارائه صریح تصاویر بخش بندی شده، الگوریتم های ردیابی یا سایر ویژگی های دست ساز ایجاد کردیم. میدان های مغناطیسی روی سطح خورشید این پایگاه داده در توسعه روش های جدید برای پیش بینی ظهور مناطق پیچیده مساعد برای رویدادهای آب وهوای فضایی حیاتی خواهد بود و به طور بالقوه زمان آماده سازی برای آب وهوای فضایی را افزایش می دهد.»

دکتر سابهاموی چاترجی، محقق فوق دکتری در SwRI متخصص در نجوم و ابزار دقیق خورشیدی و نویسنده اصلی مقاله در مورد این موارد، گفت: "برچسب گذاری داده ها با حاشیه نویسی معنی دار یک گام مهم در ML نظارت شده است. با این حال، برچسب گذاری مجموعه داده ها خسته کننده و زمان بر است." یافته های منتشر شده در مجله Nature Astronomy. تحقیقات جدید نشان می دهد که چگونه شبکه های عصبی کانولوشنال (CNN) که بر روی ویدئوهای نجومی با برچسب گذاری خام آموزش داده شده اند، می توانند برای بهبود کیفیت و وسعت برچسب گذاری داده ها و کاهش نیاز به مداخله انسانی استفاده شوند.

مواد تهیه شده توسط پژوهشکده جنوب غرب. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع کلان داده ها به چالش بزرگی برای دانشمندان فضایی تبدیل شده است که مجموعه داده های وسیعی را از ابزار دقیق فضایی قدرتمندتر تجزیه و تحلیل می کنند. برای رسیدگی به این موضوع، یک تیم موسسه تحقیقاتی Southwest ابزار یادگیری ماشینی را برای برچسب گذاری کارآمد مجموعه داده های پیچیده و بزرگ ایجاد کرده است تا به مدل های یادگیری عمیق اجازه دهد تا رویدادهای خورشیدی بالقوه خطرناک را غربال کنند و شناسایی کنند. ابزار برچسب گذاری جدید می تواند برای مقابله با چالش های دیگر مربوط به مجموعه داده های گسترده اعمال یا تطبیق داده شود.

روش های برچسب گذاری تکراری مانند یادگیری فعال می توانند به میزان قابل توجهی در زمان صرفه جویی کنند و هزینه آماده سازی ML داده های بزرگ را کاهش دهند. علاوه بر این، با پنهان کردن تدریجی ویدیوها و جستجوی لحظه ای که الگوریتم ML طبقه بندی خود را تغییر می دهد، دانشمندان SwRI از الگوریتم آموزش دیده ML برای ارائه یک پایگاه داده غنی تر و مفیدتر استفاده کردند.

منبع داستان:

از آنجایی که بسته های ابزار فضایی داده های پیچیده تر را در حجم های روزافزون جمع آوری می کنند، پردازش و تجزیه و تحلیل روندهای مربوطه برای دانشمندان چالش برانگیزتر می شود. یادگیری ماشینی (ML) در حال تبدیل شدن به یک ابزار حیاتی برای پردازش مجموعه داده های پیچیده بزرگ است، جایی که الگوریتم ها از داده های موجود برای تصمیم گیری یا پیش بینی هایی یاد می گیرند که می توانند به طور همزمان اطلاعات بیشتری نسبت به انسان ها فاکتور بگیرند. با این حال، برای بهره گیری از تکنیک های ML، انسان ها باید ابتدا همه داده ها را برچسب گذاری کنند - اغلب یک تلاش بزرگ.

تکنیک های یادگیری عمیق می توانند پردازش و تفسیر مقادیر زیادی از داده های پیچیده را با استخراج و یادگیری الگوهای پیچیده خودکار کنند. تیم SwRI از ویدئوهای میدان مغناطیسی خورشیدی برای شناسایی مناطقی که میدان های مغناطیسی قوی و پیچیده روی سطح خورشید ظاهر می شوند، استفاده کردند، که پیش نمایش اصلی رویدادهای جوی فضا هستند.

نویسنده: تیم تحریریه Matthew Newman