Key points are not available for this paper at this time.
تشهد مجتمعات مقدمي الخدمة SKA تقدمات جديدة في معالجة بيانات الراديو بعد التصوير، تهدف إلى تسهيل استخراج النتائج العلمية من صور المسح من خلال نهج شبه آلي. تستفيد العديد من هذه التطورات من منهجيات التعلم العميق (DL) لمهام متنوعة، بما في ذلك اكتشاف المصدر، تصنيف الكائنات أو الأشكال، واكتشاف الشذوذ. على الرغم من التقدم الكبير، فإن الإمكانات الكاملة لهذه الطرق غالبًا ما تظل غير مستغلة بسبب التحديات المرتبطة بتدريب نماذج مشرفة كبيرة، وخاصة في ظل وجود مجموعات بيانات مصنفة صغيرة وغير متوازنة. لقد أثبت التعلم الذاتي المراقب مؤخرًا أنه منهج قوي للتعامل مع بعض من هذه التحديات المذكورة، من خلال تعلم تمثيل بعدي منخفض مباشرة من عينات كبيرة من البيانات غير المميزة. يمكن استخدام النموذج الناتج وبيانات التمثيل لفحص البيانات ومهام لاحقة متنوعة إذا كانت مجموعة صغيرة من البيانات المصنفة متاحة. في هذا العمل، استكشفنا طرق التعلم المتباين لتعلم تمثيل بيانات الراديو المناسبة من صور غير مميزة مأخوذة من مسوحات ASKAP EMU و SARAO MeerKAT GPS. قمنا بتقييم النماذج المدربة وبيانات التمثيل المحصلة على مجموعات بيانات مصنفة أصغر، تم أخذها أيضًا من مسوحات راديو مختلفة، في مهام تحليل مختارة: اكتشاف المصدر والتصنيف، والبحث عن كائنات ذات أشكال خاصة. بالنسبة لجميع المهام الفرعية المستكشفة، أبلغنا ونقشنا الفوائد التي جلبتها النماذج الأساسية الذاتية المراقبة المبنية على بيانات الراديو.
درس ريجي وآخرون (Mon،) هذا السؤال.