Classification Of Variable Stars Using Deep Learning and Transfer Learning Methods

Yıl 2024, Cilt: 14 Sayı: 1, 81 - 97, 07.07.2024

Emrullah Kuştaşı , Mete Yağanoğlu

https://doi.org/10.55024/buyasambid.1501877

Öz

Classifying variable stars can sometimes be a challenging process using traditional methods. The process by which astronomers classify stars, often by analyzing their brightness curves and other physical properties, can be time-consuming and laborious. The transfer learning approach can play an important role at this point. This study aims to shorten a time-consuming and laborious process by enabling astronomers to do their work by labeling fewer data while classifying stars. A deep neural network was trained for transfer learning and the performance of this model was compared with other machine learning methods. The data sets used in model training are data sets obtained from studies conducted for CoRoT targets. These data sets consist of calculations made with the light curves of CoRoT targets. When the basic model metrics trained for transfer learning were examined, it was found that the accuracy, precision, recall and f1-score values were 94%. When transfer learning approach is used to classify variable stars, the information and properties of previously classified stars can be used to classify new stars. It is expected that the basic model obtained from the study will be reusable for different problems and different data sets in the field of astronomy and will contribute to researchers working in this field.

Anahtar Kelimeler

artificial intelligence, machine learning, deep learning, transfer learning, astrophysics, astroinformatics

Derin Öğrenme ve Transfer Öğrenme Yöntemleri Kullanarak Değişen Yıldızlarda Sınıflandırma

Öz

Değişen yıldızların sınıflandırılması, geleneksel yöntemlerle bazen zorlu bir süreç olabilir. Gökbilimcilerin, genellikle yıldızların parlaklık eğrilerini ve diğer fiziksel özelliklerini analiz ederek sınıflandırma yaptıkları süreç, zaman alıcı ve zahmetli olabilir. Transfer öğrenimi yaklaşımı, bu noktada önemli bir rol oynayabilir. Bu çalışma ile gökbilimcilerin yıldız sınıflandırması yaparken daha az sayıda veri etiketlemesi yaparak, çalışmalarını yapmalarını sağlayıp, zaman alıcı ve zahmetli bir sürecin kısaltılması amaçlanmıştır. Transfer öğrenme için bir derin sinir ağı eğitilmiş ve bu modelin performansı diğer makine öğrenmesi yöntemleriyle de karşılaştırılmıştır. Model eğitiminde kullanılan veri setleri, CoRoT hedefleri için yapılan çalışmalardan elde edilmiş veri setleridir. Bu veri setleri CoRoT hedeflerinin ışık eğrileriyle yapılan hesaplamalarından oluşur. Transfer öğrenme için eğitilen temel model metrikleri incelendiğinde doğruluk, duyarlılık, hassasiyet ve f1-skor değerlerinin %94 olduğu bulunmuştur. Değişen yıldızların sınıflandırılmasında transfer öğrenimi yaklaşımı kullanıldığında, daha önce sınıflandırılmış yıldızların bilgileri ve özellikleri yeni yıldızların sınıflandırılmasında kullanılabilir. Çalışmadan elde edilen temel modelin astronomi alanında farklı problemler ve farklı veri setleri için yeniden kullanılabilir olması ve bu alanda çalışan araştırmacılara katkı sağlaması beklenmektedir.

Anahtar Kelimeler

yapay zekâ, makine öğrenmesi, derin öğrenme, transfer öğrenme, astrofizik, astroenformatik

Kaynakça

• Alpaydın, E. (2019). Makine öğrenmesi. İstanbul: Ufuk açan yayınlar.
• Anonim, (2023). Naive Bayes, https://tr.wikipedia.org/wiki/Naive_Bayes_ sınıflandırıcısı. Erişim tarihi: 03.09.2023.
• Anonim, (2024). ROC ve AUC eğrileri, https://devreyakan.com/roc-ve-auc-egrileri. Erişim Tarihi:06.02.2024.
• Atıcılı, A. (2022). https://medium.com/machine-learning-türkiye/knn-k-en-yakın-komşu-7a037f056116. (28.05.2024)
• Azari, A. R., Biersteker, J. B., Dewey, R. M., Doran, G., Forsberg, E. J., Harris, C. D., ve Himes, M. D. (2020). Integrating Machine Learning for Planetary Science: Perspectives for the Next Decade. NRC Planetary Science and Astrobiology. https://doi.org/10.48550/arXiv.2007.15129
• Breton, S., Bugnet, L., Santos, A., Saux, A. L., Mathur, S., Palle, P., ve Garcia, R. (2019). Determining surface rotation periods of solar-like stars observed by the kepler mission using machine learning techniques. Societ´e Francaise d’Astronomie et d’Astrophysique. https://doi.org/10.48550/arXiv.1906.09609
• Chawla, N. V., Bowyer, K. W., Hall, L. O., ve Kegelmeyer, W. P. (2022). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research. https://doi.org/10.1613/jair.953
• Cortes, C. V. (1995). Support-vector networks. Mach Learn. http://dx.doi.org/10.1007/BF00994018
• Cruz, J. A., ve Wishart, D. S. (2006). Applications of machine learning in cancer prediction and prognosis. Cancer informatics. https://doi.org/10.1177/117693510600200030
• Çebi, C. (2020). https://medium.com/@cemthecebi/rastgele-orman-algoritması-1600ca4f4784. 28.05.2024
• Doğan, F., ve Türkoğlu, İ. (2019). Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme. DÜMF Mühendislik Dergisi. https://doi.org/10.24012/dumf.411130
• Dubath, P., Rimoldini, L., Süveges, M., Blomme, J., López, M., Sarro, L. M., ve Eyer, L. (2011). Random forest automated supervised classification of Hipparcos periodic variable stars. Monthly Notices of the Royal Astronomical Society. https://doi.org/10.1111/j.1365-2966.2011.18575.x
• Eğrioğlu, E., Yolcu, U., ve Baş, E. (2020) Yapay Sinir Ağları- Öngörü ve Tahmin Uygulamaları. Nobel Akademik Yayıncılık.
• Fortuner, B. Loss Functions. https://github.com/bfortuner/ml-glossary/blob/master/docs/ loss_functions.rst. Erişim Tarihi: 27.09.2023
• Hatipoğlu, E. (2023) https://medium.com/@ekrem.hatipoglu/machine-learning-classification-naive-bayes-part-11-4a10cd3452b4. Erişim tarihi: 29.08.2023
• Hinton, G. E., ve Salakhutdinov, R. R. (2006) Reducing the dimensionality of data with neural networks. Science. https://doi.org/10.1126/science.1127647
• Hon, M., Stello, D., ve Yu, J. (2017). Deep learning classification in asteroseismology. Monthly Notices of the Royal Astronomical Society. https://doi.org/10.1093/mnras/stx1174
• Jin-Meng, Y., Xiao-Qing, W., ve min, Z. (2021). The regression of effective temperatures in APOGEE and LAMOST. New Astronomy. https://doi.org/10.1016/j.newast.2020.101568
• Kim, D.W., Yeo, D., Bailer-Jones, C. A., ve Lee, G. (2021). Deep Transfer Learning for Classification of Variable Sources. Astronomy & Astrophysics. https://doi.org/10.48550/arXiv.2106.00187
• Ochsenbein F. vd. The VizieR database of astronomical catalogues. https://doi.org/10.26093/cds/vizier
• Quinlan, J. (1986). Induction of decision trees. Machine Learning. https://doi.org/10.1007/BF00116251
• Özkan, M., & Kayhan, C. (2021) Astronomi Alanında Makine Öğrenmesi Uygulamaları. Turkish Journal of Astronomy and Astrophysics.
• Rimoldini, L., Dubath, P., Süveges, M., López, M., Sarro, L. M., Blomme, J., ve Eyer, L. (2012). Automated classification of Hipparcos unsolved variables. Monthly Notices of the Royal Astronomical Society. https://doi.org/10.48550/arXiv.1301.1545
• Sarro, L. M., Debosscher, J., Neiner, C., Bello-Garcia, A., González-Marcos, A., Prendes-Gero, B., ve Batz, B. D. (2013). Improved variability classification of CoRoT targets with Giraffe spectra. Astronomy & Astrophysics. https://doi.org/10.26093/cds/vizier.35500120
• Saux, A. L., Bugnet, L., Mathur, S., Breton, S. N., ve Garcia, R. A. (2019). Automatic classification of k2 pulsating stars using machine learning techniques. Societe Francaise d’Astronomie et d’Astrophysique. https://doi.org/10.48550/arXiv.1906.09611
• Staub, S., Karaman, E., Kaya, S., Karapınar, H., ve Güven, E. (2015). Artificial Neural Network and Agility. Procedia - Social and Behavioral Sciences. https://doi.org/10.1016/j.sbspro.2015.06.448
• Tisserand, P., Le Guillou, L., Afonso, C., Albert, J. N., Andersen, J., Ansari, R., ve Vigroux, L. (2007). Limits on the Macho Content of the Galactic Halo from the EROS-2 Survey of the Magellanic Clouds. Astronomy & Astrophysics. 469(2), 387-404.
• Udalski, A., M. Kubiak, ve M. Szymanski. (1997). Optical Gravitational Lensing Experiment. OGLE-2--the Second Phase of the OGLE Project. Acta Astronomica. 47,319-344.
• Yiğit, G., ve Yeğin, M. N. (2020). Öğrenme Aktarımı/Transfer Learning. https://medium.com/novaresearchlab/öğrenme-aktarımı-transfer-learning-c0b8126965c4. Erişim Tarihi: 19.08.2023