Time series variability tree for fast light curve retrieval
Loading...
Date
2017
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Durante los últimos diez años, se han hecho esfuerzos considerables por desarrollar algoritmos para la clasificación automática de estrellas variables. Esto ha sido logrado principalmente mediante la aplicación de métodos de aprendizaje de máquina en conjuntos de datos donde los objetos celestes son representados como curvas de luz. Estos clasificadores necesitan conjuntos de entrenamiento para aprender los patrones subyacentes que permiten la separación entre clases. Desgraciadamente, construir conjuntos de entrenamiento para curvas de luz es un proceso costoso que demanda cantidades considerables de esfuerzo humano. Además, muchas veces los astrónomos buscan identificar un tipo particular de estrellas variables. En este caso, no es razonable esperar la disponibilidad de conjuntos de entrenamiento formados mayoritariamente por otras clases de variabilidad. Con el propósito de facilitar la creación de conjuntos de entrenamiento y la identificación de curvas de luz particulares, desarrollamos un motor de búsqueda eficiente, que permite encontrar en un conjunto de datos las curvas de luz más similares a una curva objetivo específica, sin la necesidad de datos etiquetados. Además presentamos una función de similaridad específica para curvas de luz, basada en una novedosa estructura de datos, que permite escalar la búsqueda a grandes conjuntos de objetos no etiquetados. Nuestros experimentos muestran que nuestro modelo ejecuta búsquedas rápidas, obtiene alta precisión y escala a grandes cantidades de datos
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2017