Browsing by Author "Pérez Galarce, Francisco Javier"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    A self-regulated convolutional neural network for classifying variable stars
    (2025) Pérez Galarce, Francisco Javier; Martínez-Palomera, J.; Pichara Baksai, Karim Elías; Huijse, P.; Catelan, Márcio
    Over the last two decades, machine learning models have been widely applied and have proven effective in classifying variable stars, particularly with the adoption of deep learning architectures such as convolutional neural networks, recurrent neural networks, and transformer models. While these models have achieved high accuracy, they require high-quality, representative data and a large number of labelled samples for each star type to generalise well, which can be challenging in time-domain surveys. This challenge often leads to models learning and reinforcing biases inherent in the training data, an issue that is not easily detectable when validation is performed on subsamples from the same catalogue. The problem of biases in variable star data has been largely overlooked, and a definitive solution has yet to be established. In this paper, we propose a new approach to improve the reliability of classifiers in variable star classification by introducing a self-regulated training process. This process utilises synthetic samples generated by a physics-enhanced latent space variational autoencoder, incorporating six physical parameters from Gaia Data Release 3. Our method features a dynamic interaction between a classifier and a generative model, where the generative model produces ad-hoc synthetic light curves to reduce confusion during classifier training and populate underrepresented regions in the physical parameter space. Experiments conducted under various scenarios demonstrate that our self-regulated training approach outperforms traditional training methods for classifying variable stars on biased datasets, showing statistically significant improvements.
  • Thumbnail Image
    Item
    Data shift mitigation in classifiers of variable stars
    (2024) Pérez Galarce, Francisco Javier; Pichara Baksai, Karim Elías; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    En la actualidad el aprendizaje de máquinas desempeña un papel crucial en la clasificación automática de estrellas variables. Numerosos clasificadores han sido propuestos, alcanzado un alto rendimiento en las diferentes métricas de clasificación. Sin embargo, estos clasificadores se ven afectados por sesgos en los datos de entrenamiento, lo que limita su efectividad en datos no vistos. Estas limitaciones dañan la capacidad de generalización, generando múltiples problemas como la selección de modelos incorrectos y un desempeño sobreestimado. En este contexto, esta tesis introduce métodos para evaluar y entrenar clasificadores bajo condiciones de desplazamiento de datos. En primer lugar, se explora una probabilidad marginal informativa para seleccionar clasificadores de estrellas RR Lyrae, mitigando los sesgos a través de la incorporación de reglas deterministas basadas en parámetros físicos durante su estimación. Luego, se propone mejorar el entrenamiento de un perceptrón multicapa para la clasificación del mismo tipo de estrellas. Se injecta conocimiento a través de rangos de parámetros físicos que informan a un regularizador. Un algoritmo de retropropagación en dos pasos fusiona este conocimiento en la red neuronal, minimizando el error de clasificación y gestionando el equilibrio entre el aprendizaje a partir de datos y el conocimiento experto. Por último, utilizando el mismo esquema dual de aprendizaje se propone un aprendizaje auto regulado para una red neuronal convolucional, que toma ventaja de los recientes avances en modelos generativos para la creación de curvas de luz sintéticas durante el entrenamiento. En conclusión, esta tesis avanza en la integración del conocimiento experto en modelos de aprendizaje automático, proporcionando nuevas metodologías de evaluación y entrenamiento para clasificadores de estrellas variables. Estos avances mejoran las capacidades de generalización y predicción, ofreciendo adicionalmente novedosos y pertinentes esquemas de aprendizaje para futuras investigaciones.