ترجمه فارسی مقاله یادگیری ماشینی مثبت و بدون برچسب، نامزدهای جدید تکرارکننده انفجار رادیویی سریع را نشان می دهد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Positive and unlabelled machine learning reveals new fast radio burst repeater candidates
عنوان مقاله به فارسی یادگیری ماشینی مثبت و بدون برچسب، نامزدهای جدید تکرارکننده انفجار رادیویی سریع را نشان می دهد
نویسندگان Arjun Sharma, Vinesh Maguire Rajpaul
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات High Energy Astrophysical Phenomena,پدیده های اخترفیزیکی با انرژی بالا ,
توضیحات Submitted 11 September, 2024; v1 submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛V1 ارسال شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Fast radio bursts (FRBs) are astronomical radio transients of unknown origin. A minority of FRBs have been observed to originate from repeating sources, and it is unknown which apparent one-off bursts are hidden repeaters. Recent studies increasingly suggest that there are intrinsic physical differences between repeating and non-repeating FRBs. Previous research has used machine learning classification techniques to identify apparent non-repeaters with repeater characteristics, whose sky positions would be ideal targets for future observation campaigns. However, these methods have not sufficiently accounted for the positive and unlabelled (PU) nature of the data, wherein true labels are only available for repeaters. Modified techniques that do not inadvertently learn properties of hidden repeaters as characteristic of non-repeaters are likely to identify additional repeater candidates with greater accuracy. We present in this paper the first known attempt at applying PU-specific machine learning techniques to study FRBs. We train an ensemble of five PU-specific classifiers on the available data and use them to identify 66 repeater candidates in burst data from the CHIME/FRB collaboration, 18 of which were not identified with the use of machine learning classifiers in past research. Our results additionally support repeaters and non-repeaters having intrinsically different physical properties, particularly spectral index, frequency width, and burst width. This work additionally opens new possibilities to study repeating and non-repeating FRBs using the framework of PU learning.

چکیده به فارسی (ترجمه ماشینی)

پشت سر هم رادیو سریع (FRB) گذرا رادیوهای نجومی با منشأ ناشناخته است.اقلیت FRB ها از تکرار منابع مکرر سرچشمه گرفته اند ، و مشخص نیست که کدام یک از انفجارهای یک طرفه تکرار می شوند.مطالعات اخیر به طور فزاینده ای نشان می دهد که تفاوتهای جسمی ذاتی بین FRB های تکرار و غیر تکرار وجود دارد.تحقیقات قبلی از تکنیک های طبقه بندی یادگیری ماشین برای شناسایی غیر دستگاههای بازپرداخت با ویژگی های تکرار شونده استفاده کرده است ، که موقعیت های آسمان آنها اهداف ایده آل برای کمپین های مشاهده آینده خواهد بود.با این حال ، این روش ها به اندازه کافی ماهیت مثبت و ناشناخته (PU) داده ها را به خود اختصاص داده اند ، که در آن برچسب های واقعی فقط برای تکرار کننده ها در دسترس هستند.تکنیک های اصلاح شده که سهواً خواص تکرار کننده های پنهان را به عنوان مشخصه غیرقانونی ها یاد می گیرند ، احتمالاً کاندیداهای تکرار کننده اضافی را با دقت بیشتری شناسایی می کنند.ما در این مقاله اولین تلاش شناخته شده برای استفاده از تکنیک های یادگیری ماشین خاص PU برای مطالعه FRB ها را ارائه می دهیم.ما یک گروه از پنج طبقه بندی کننده اختصاصی PU را بر روی داده های موجود آموزش می دهیم و از آنها برای شناسایی 66 نامزد تکرار کننده در داده های پشت سر هم از همکاری Chime/FRB استفاده می کنیم که 18 مورد از آنها با استفاده از طبقه بندی کننده های یادگیری ماشین در تحقیقات گذشته مشخص نشده است.نتایج ما علاوه بر این از تکرار کننده ها و غیر دستگاه های غیر قابل استفاده از خصوصیات فیزیکی ذاتی ، به ویژه شاخص طیفی ، عرض فرکانس و عرض پشت سر هم پشتیبانی می کند.این کار علاوه بر این ، امکانات جدیدی را برای مطالعه FRB های تکراری و غیر تکرار شونده با استفاده از چارچوب یادگیری PU باز می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.