Τεχνικές Μηχανικής Μάθησης για Αντίστροφα Προβλήματα

Abstract

Μελετάμε την επίλυση αντίστροφων προβλημάτων σε μία οικογένεια μονοδιάστατων αστρονομικών σημάτων που ονομάζονται Spectral Energy Distributions (SEDs). Γενικώς, αντίστροφα προβλήματα ονομάζουμε εκείνα στα οποία στοχεύουμε στην ανακατασκευή ή «διόρθωση» σημάτων από ελλιπή ή/και θορυβώδη πληροφορία. Τέτοια προβλήματα έχουν μελετηθεί εκτενώς στην βιβλιογραφία αλλά σχεδόν αποκλειστικά για σήματα εικόνων, τα οποία παρουσιάζουν βολικές ιδιότητες (π.χ. τοπικότητα). Οι μέθοδοι που μας αφορούν περιλαμβάνουν είτε κυρτή βελτιστοποίηση με δομικούς περιορισμούς είτε τεχνικές μηχανικής μάθησης με νευρωνικά δίκτυα, και πιο συγκεκριμένα γενετικά μοντέλα (π.χ. Generative Adversarial Networks ή GANs). Η βασική μας συνεισφορά συνίσταται στην επέκταση ορισμένων εκ των μεθόδων που περιλαμβάνουν μηχανική μάθηση με νευρωνικά δίκτυα για την περίπτωση των σημάτων SEDs. Πιο συγκεκριμένα, πραγματοποιούμε προτυποποίηση των μεθόδων που κάνουν χρήση γενετικών μοντέλων σε SEDs, ενώ διαχειριζόμαστε προβλήματα που αφορούν το robustness των μεθόδων καθώς και την κατασκευή και αξιολόγηση των ίδιων των γενετικών μοντέλων.