Selbstüberwachtes kontrastives Lernen von Radiodaten zur Quellenerkennung, Klassifizierung und Entdeckung ungewöhnlicher Objekte

Neue Fortschritte in der Nachbearbeitung von Radiodaten werden innerhalb der SKA-Vorläufergemeinschaft gemacht, um die Extraktion wissenschaftlicher Ergebnisse aus Umfragebildern durch einen teilautomatisierten Ansatz zu erleichtern. Viele dieser Entwicklungen nutzen Methoden des tiefen Lernens (DL) für verschiedene Aufgaben, einschließlich Quellenerkennung, Objekt- oder Morphologiekategorisierung und Anomalieerkennung. Trotz erheblicher Fortschritte bleibt das volle Potenzial dieser Methoden oft ungenutzt, da Herausforderungen mit dem Training großer, überwachten Modelle, insbesondere bei kleinen und klassenunbalancierten gekennzeichneten Datensätzen, verbunden sind. Das selbstüberwachte Lernen hat sich kürzlich als leistungsstarke Methodik etabliert, um einige der oben genannten Herausforderungen zu bewältigen, indem es direkt eine niederdimensionale Darstellung aus großen Proben unbeschrifteter Daten erlernt. Das resultierende Modell und die Datenrepräsentation können dann zur Dateninspektion und für verschiedene nachgelagerte Aufgaben verwendet werden, wenn ein kleiner Teil von gekennzeichneten Daten verfügbar ist. In dieser Arbeit haben wir kontrastive Lernmethoden untersucht, um geeignete Radiodatenrepräsentationen aus unbeschrifteten Bildern zu erlernen, die aus den ASKAP EMU- und SARAO MeerKAT GPS-Umfragen stammen. Wir haben trainierte Modelle und die erhaltene Datenrepräsentation über kleinere gekennzeichnete Datensätze bewertet, die ebenfalls aus verschiedenen Radioumfragen stammen, in ausgewählten Analyseaufgaben: Quellenerkennung und -klassifizierung sowie die Suche nach Objekten mit ungewöhnlicher Morphologie. Für alle untersuchten nachgelagerten Aufgaben haben wir die Vorteile der selbstüberwachten Grundmodelle, die auf Radiodaten basieren, berichtet und erörtert.