Buchumschlag

Machines Learn to Infer Stellar Parameters Just by Looking at a Large Number of Spectra

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sedaghat, Nima, Romaniello, Martino, Carrick, Jonathan E., Pineau, François-Xavier
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Instrumentation and Methods for Astrophysics Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Homogeneous Stellar Parameters from Heterogeneous Spectra with Deep Learning
von: Shen, Jeff, et al.
Veröffentlicht: (2026)

Stellar Karaoke: deep blind separation of terrestrial atmospheric effects out of stellar spectra by velocity whitening
von: Sedaghat, Nima, et al.
Veröffentlicht: (2023)

Stellar parameter prediction and spectral simulation using machine learning
von: Cvrček, Vojtěch, et al.
Veröffentlicht: (2024)

deep-REMAP: Probabilistic Parameterization of Stellar Spectra Using Regularized Multi-Task Learning
von: Gilda, Sankalp
Veröffentlicht: (2025)

Spectra as Language: Large Language Models for Scalable Stellar Parameter and Abundance Inference
von: Lu, Hai-Ling, et al.
Veröffentlicht: (2026)

Predicting Stellar Parameters of Massive Stars from Light Curves with Machine Learning
von: Zhang, Rachel C., et al.
Veröffentlicht: (2025)

OmniSpectra: A Unified Foundation Model for Native Resolution Astronomical Spectra
von: Islam, Md Khairul, et al.
Veröffentlicht: (2026)

Adaptive Data Reduction Workflows for Astronomy -- The ESO Data Processing System (EDPS)
von: Freudling, Wolfram, et al.
Veröffentlicht: (2023)

Stellar Atmospheric Parameters From Gaia BP/RP Spectra using Uncertain Neural Networks
von: Fallows, Connor P., et al.
Veröffentlicht: (2024)

Finetuning Stellar Spectra Foundation Models with LoRA
von: Zhao, Xiaosheng, et al.
Veröffentlicht: (2025)

A Machine Learning Framework for Stellar Collision Transient Identification
von: Hu, Betty X., et al.
Veröffentlicht: (2025)

SpectraFM: Tuning into Stellar Foundation Models
von: Koblischke, Nolan, et al.
Veröffentlicht: (2024)

SM-Net: Learning a Continuous Spectral Manifold from Multiple Stellar Libraries
von: Anwar, Omar, et al.
Veröffentlicht: (2026)

InferA: A Smart Assistant for Cosmological Ensemble Data
von: Tam, Justin Z., et al.
Veröffentlicht: (2025)

Scaling Laws for Emulation of Stellar Spectra
von: Różański, Tomasz, et al.
Veröffentlicht: (2025)

Selfish Evolution: Making Discoveries in Extreme Label Noise with the Help of Overfitting Dynamics
von: Sedaghat, Nima, et al.
Veröffentlicht: (2024)

A CNN--Transformer Denoiser for low-$S/N$ Galaxy Spectra: Stellar Population Recovery in Synthetic Tests
von: Kim, Suk, et al.
Veröffentlicht: (2026)

Rapid Parameter Estimation for Extreme Mass Ratio Inspirals Using Machine Learning
von: Liang, Bo, et al.
Veröffentlicht: (2024)

FLARE: A Framework for Stellar Flare Forecasting using Stellar Physical Properties and Historical Records
von: Zhu, Bingke, et al.
Veröffentlicht: (2025)

Data-Driven Modeling of Telluric Features and Stellar Variability with StellarSpectraObservationFitting.jl
von: Gilbertson, Christian, et al.
Veröffentlicht: (2024)

$\mbox{H}$ $\mbox{I}$ 21-cm Absorption Spectra Classification using Machine Learning
von: Mondal, Debasish, et al.
Veröffentlicht: (2025)

Machine Learning in Stellar Astronomy: Progress up to 2024
von: Li, Guangping, et al.
Veröffentlicht: (2025)

Unsupervised Machine Learning for the Classification of Astrophysical X-ray Sources
von: Pérez-Díaz, Víctor Samuel, et al.
Veröffentlicht: (2024)

Inferring Fireball Velocity Profiles and Characteristic Parameters of Meteoroids from Incomplete Datasets
von: Peña-Asensio, Eloy, et al.
Veröffentlicht: (2025)

Toward Robust Corrections for Stellar Contamination in JWST Exoplanet Transmission Spectra
von: Rackham, Benjamin V., et al.
Veröffentlicht: (2023)

Filter Design for Estimation of Stellar Metallicity: Insights from Experiments with Gaia XP Spectra
von: Xiao, Kai, et al.
Veröffentlicht: (2024)

Radiometer Calibration using Machine Learning
von: Leeney, S. A. K., et al.
Veröffentlicht: (2025)

Deep Multimodal Representation Learning for Stellar Spectra
von: Buck, Tobias, et al.
Veröffentlicht: (2024)

A Bayesian Approach to Inferring Accretion Signatures in Young Stellar Objects: A Case Study with VIRUS
von: Willett, Lauren Halstead, et al.
Veröffentlicht: (2025)

Learning the Stellar Structure Equations via Self-supervised Physics-Informed Neural Networks
von: Ballester, Manuel, et al.
Veröffentlicht: (2026)

Empirically Constraining the Spectra of Stellar Surface Features Using Time-Resolved Spectroscopy
von: Berardo, David, et al.
Veröffentlicht: (2023)

Inferring Planet and Disk Parameters from Protoplanetary Disk Images Using a Variational Autoencoder
von: Mahmud, Sayed Shafaat, et al.
Veröffentlicht: (2025)

On the Performances of Estimating Stellar Atmospheric Parameters from CSST Broad-band Photometry
von: Shi, Ruifeng, et al.
Veröffentlicht: (2024)

Emergent Denoising of SDSS Galaxy Spectra Through Unsupervised Deep Learning
von: Camilleri, Oliver, et al.
Veröffentlicht: (2025)

A Generative Model for Disentangling Galaxy Photometric Parameters
von: Leung, Keen, et al.
Veröffentlicht: (2025)

The case for an all-sky millimetre survey at sub-arcminute resolution
von: Désert, François-Xavier, et al.
Veröffentlicht: (2024)

A Semi-Supervised Learning Method for the Identification of Bad Exposures in Large Imaging Surveys
von: Luo, Yufeng, et al.
Veröffentlicht: (2025)

Fried Parameter Estimation from Single Wavefront Sensor Image with Artificial Neural Networks
von: Smith, Jeffrey, et al.
Veröffentlicht: (2025)

FRTSearch: Unified Detection and Parameter Inference of Fast Radio Transients using Instance Segmentation
von: Zhang, Bin, et al.
Veröffentlicht: (2026)

Uncertainties in Low-Count STIS Spectra
von: Lothringer, Joshua D., et al.
Veröffentlicht: (2026)