[論文レビュー] Measuring photometric redshifts using galaxy images and Deep Neural Networks

B. Hoyle|arXiv (Cornell University)|Apr 27, 2015

Galaxies: Formation, Evolution, Phenomena参考文献 3被引用数 4

ひとこと要約

本論文では、従来の特徴抽出を回避する深層ニューラルネットワーク（DNN）を用いて、完全な銀河画像から光度赤方偏移を直接推定する深層学習手法を提案する。この手法は、最先端の機械学習技術と同等の性能を達成しており、中央残差 Δz ≈ 0.00 および 68% 散乱 σ₆₈ ≈ 0.03 を達成している。これにより、ユーザー定義の特徴選択を排除し、パイプライン全体における人為的バイアスを低減する。

ABSTRACT

We propose a new method to estimate the photometric redshift of galaxies by using the full galaxy image in each measured band. This method draws from the latest techniques and advances in machine learning, in particular Deep Neural Networks. We pass the entire multi-band galaxy image into the machine learning architecture to obtain a redshift estimate that is competitive with the best existing standard machine learning techniques. The standard techniques estimate redshifts using post-processed features, such as magnitudes and colours, which are extracted from the galaxy images and are deemed to be salient by the user. This new method removes the user from the photometric redshift estimation pipeline. However we do note that Deep Neural Networks require many orders of magnitude more computing resources than standard machine learning architectures.

研究の動機と目的

• 銀河画像からの手動特徴抽出を回避する光度赤方偏移推定手法の開発。
• 深層ニューラルネットワークが、事前に計算された等級や色ではなく、生の画像データを用いても、競争力のある赤方偏移精度を達成できるかどうかの評価。
• 従来の機械学習アーキテクチャと比較して、エンドツーエンドのDNNが銀河赤方偏移をどの程度正確に推定できるかの評価。
• 完全な画像を入力として使用する可能性を検討し、赤方偏移推定パイプラインにおけるユーザー定義の仮定を最小限に抑える。

提案手法

• 本手法は、完全なマルチバンド銀河画像（72×72×4ピクセル）を深層ニューラルネットワークの入力として使用し、従来の光度的特徴抽出を回避する。
• 画像は、ピクセル強度をRGBA色チャンネルにマップする処理を経て、ネットワークの入力として使用する。
• 畳み込みニューラルネットワークアーキテクチャを採用し、畳み込み層（C）、ReLU活性化関数（R）、マックスプーリング層（MP）、局所正規化層（RN）、全結合層（F）を含む。
• ネットワークは、各画像から60×60×4のランダムクロップを入力とし、その後に複数の畳み込み層および非線形変換層を通過させる。
• 過学習を防ぐために、最初の全結合層の後にドロップアウト層（D₀.₆）を適用する。
• 最終層にはソフトマックス活性化関数を用い、94個の離散的赤方偏移ビンにおける確率を出力し、最も確率の高いビンを点推定値として採用する。

実験結果

リサーチクエスチョン

• RQ1 直接銀河画像に訓練された深層ニューラルネットワークは、標準的な機械学習手法と同等の光度赤方偏移精度を達成できるか？
• RQ2 エンドツーエンドの画像ベースDNNの性能は、等級や色といったユーザー定義特徴に依存する従来の手法と比べてどうか？
• RQ3 手動による特徴工学を排除することで、赤方偏移推定の精度と頑健性にどのような影響が生じるか？
• RQ4 DNNの残差統計（例：中央残差 Δz、散乱、外れ値率）は、AdaBoost といった確立されたアルゴリズムと比較してどうか？

主な発見

• DNNは中央赤方偏移残差 Δz = 0.00 を達成し、点推定値に顕著な系統的バイアスがないことを示した。
• 赤方偏移残差の68%散乱は σ₆₈ = 0.030 であり、最先端の標準機械学習手法であるAdaBoostと同等の性能を示した。
• 95%散乱は σ₉₅ = 0.10 であり、サンプルの大半において高い精度を達成していることを示した。
• 外れ値率（|Δz / (1 + z_spec)| > 0.15 を満たす銀河の割合）は 1.71% であり、AdaBoostの1.56%よりわずかに高かった。
• 本手法は、手動による特徴抽出の必要性を完全に排除し、人為的バイアスとパイプラインの複雑さを低減した。
• 計算が高コストであるため、並列化が必要になるまでに最大50,000個の銀河までしか処理できず、最適化なしではスケーラビリティに制限がある。