Автоэнкодер
— Alexander Kryukov 21/02/2025 16:02
Некоторые предварительные разъяснения.
- Предлагаю использовать в качестве разметки изображений на пером этапе параметры Хилласа, т.к.
- они просто считаются;
- являются интегральными характеристиками и более устойчивы к шумам.
- Использовать MTL подход, когда первый этап обработки один для всех задач, а вычисления конкретных параметров ШАЛ делается отдельными НС, которые, как правило, FC.
Рассмотрим следующую схему на примере определения энергии первичной частицы ШАЛ в АЧТ.
1. Обучение “AE”
Изображение (img), например МК, поступает на энкодер (Enc), который переводит изображение в вектор скрытого поространства (z). Этот вектор, с помощью декодера (Dec) преобразуется в набор параметров Хилласа (h').
С другой стороны, то же самое изображение используется для получения параметров Хилласа (h) некоторой внешней программой (Hillas). Используя полученные параметры Хилласа h как разметку мы обучаем автоэнкодер (энкодер+декодер), отображающий img–>z–>h' при помощи функции потерь Loss(h,h').
2. Определение энергии первичной частицы
(Пример)
Вектор скрытого пространства (z) поступает на вход нейронной сети-регрессора, реализующей отображение его в значение энергии: z–>E'. Используя мета информацию разметки МК изображений (meta), а именно значение истинной энергии (E), обучаем регрессор с помощью функции потерь Loss(E,E').
3. Определение энергии ШАЛ
На вход энкодера (Enc) подается изображение (img), которое преобразуется в вектор скрытого пространства (z), который, в свою очередь, регрессором преобразуется в оценку значения энергии ШАЛ (E').
Примечание. Аналогично поступаем с другими параметрами ШАЛ, такими как точка прихода и т.п., добавляя новые блоки отображения векторов скрытого пространства на нужные величины. При этом переобучения AE не требуется. То есть используетм MTL подход.