Club401 [Explaining deep learning of galaxy morphology with saliency mapping] : XAI 천문학 논문 1 https://academic.oup.com/mnras/article/511/4/5032/6529251 🔭 개요 XAI 기법이 천문학 데이터에도 적용 가능함을 입증하는 것이 목적 Galaxy Zoo 프로젝트 데이터 XAI 기법 중 하나인 saliency map을 이용해 이미지 처리에서 양적 측정(예: 막대 길이)을 수행bar structure (막대형 은하의 막대 부분)에 집중 CNN이 예측한 결과에 대해 SMOOTHGRAD를 사용해 saliency map을 얻고,이를 바탕으로 막대 길이를 측정 🔥 SALIENCY MAPPING (주목도 맵) 🧠 Saliency Map이란?CNN이 이미지를 어떻게 분류했는지 그 내부 작동을 시각적으로 설명하는 기법이미지의 어떤 부분이 해당 분류에 얼마나 기여했는지.. 2025. 7. 21. 🌌 SYNERGI 미팅 내용 정리 회의 내용 정리! 🌌 우리 발표넘어간다넘어간다먼저 우리가 발표! 🌌 SYNERGI 중간 보고 내용마이크 겹치면 안 돼서 조로록🌌 PPT🌌 발표문 은채 안녕하세요 AI 진척 사항 공유하도록 하겠습니다! –먼저 진행 현황 설명드린 후에앞으로의 방향성에 대해서 논의해보면 좋을 것 같습니다!junggoldchae-coding.tistory.com이 내용으로 논문 저자 순서는 이대 AI 팀 3명 - 1저자테크닉적 부분에 집중한 첫 번째 논문천문학 팀 - 1저자해석 부분에 집중한 두 번째 논문연대 대학원 분들 지도교수님 - 여쭤보겠다고 하심이형준 교수님/ 교수님께서는 의사가 있으시면 한 번 미팅에 참여해주시면 좋을 것 같다고 해주심교신 저자(corresponding author) : 지웅배 교수님감사? .. 2025. 7. 19. 🤖 설명 가능한 AI - 기법 2) CAM, Grad CAM## CAM (Class Activation Map) 보통 CNN의 구조를 생각해보면, Input - Conv Layers - FC Layers 으로 이루어졌습니다. CNN의…wikidocs.net 딥러닝 모델대표적인 시각화(visualization) 방법Feature vector visualization using t-SNE/PCAActivation VisualizationMaximally Activating Images / Patches Maximization by Optimization & Deep DreamOcclusion feature map이미지가 딥러닝 모델의 Intermediate layer를 통과하면서 생성된 맵 Activation map : feature.. 2025. 7. 18. 🌌 SYNERGI 중간 보고 내용 마이크 겹치면 안 돼서 조로록🌌 PPT🌌 발표문 은채 안녕하세요 AI 진척 사항 공유하도록 하겠습니다! –먼저 진행 현황 설명드린 후에앞으로의 방향성에 대해서 논의해보면 좋을 것 같습니다!– 이미지 데이터는 7/4일 희수 연구원님께 전달받았습니다. 도메인에 특화되고 테스크가 3클래스 분류처럼 복잡하지 않으며, 데이터 량이 천문학적으로 많지 않은 저희 테스크에서는 모델의 차이보다 데이터의 상태에 성능이 크게 좌우되므로 교수님들의 조언에 따라 다양한 데이터 전처리를 해 보려고 시도하였습니다. 화면에 보이시는 것처럼 크게 3개로 데이터를 나누어 전처리하였습니다.허깅페이스에 관련 내용을 올렸으며, 현대 프라이빗으로 키를 통해서만 데이터에 접근할 수 있는 상태입니다.토큰은 카톡방에 공유하도록 하겠습니다. .. 2025. 7. 16. 🥼 Agile 2차 랩실 미팅 7월 둘째 주 미팅 정리 | Notion🌟 Achievementshinyflight.notion.site ✅ 1. 데이터셋 설계 및 실험 전략단순한 augmentation(리사이징, 대비 조절) 외에도, 은하 이미지의 스케일 문제(멀리 있거나 작게 찍힌 은하)로 인한 노이즈가 성능에 영향을 줄 수 있다는 점을 인지함.데이터셋 간 성능 차이 실험 결과가 있었는데, 예기치 않은 픽셀 대비 강조가 모델 성능을 오히려 높이는 경우가 있어 주목할 만함.다만 “버그인가, 진짜 효과인가?“를 구분하려면 설명 가능한 AI(Explainable AI, XAI) 분석이 반드시 필요. ✅ 2. 멀티모달 모델 해석 전략 및 실험 설계단순 성능 향상이 아니라, 물리량이 어떤 영향을 주는지 해석 가능한 결과 도출이 목표임.방.. 2025. 7. 15. 🛠️ 멀티모달 모델 아키텍처 / 결과 관계 해석 전략 정리 🛠️ 멀티모달 모델 아키텍처은하의 병합 단계를 분류 (Non-merger, Pre-merger, Post-merger).은하 이미지와 수치형 물리량을 결합하는 멀티모달 접근법을 사용 시뮬레이션 데이터를 기반 이미지: 224×224 픽셀 은하 이미지수치형 물리량 (Tabular features): 은하의 수치적 물리 속성들. 예시:Stellar Mass (M)ColorStar Formation Rate (SFR)Local Environment Density (은하 주변 밀도)Luminosity (L)Redshift (Z)🛠️ 결과 관계 해석 전략 정리이미지로부터 얻을 수 있는 형태학적 병합 단서와, 수치 피처로부터 유추 가능한 물리적 특성을 통합하여 병합 단계를 정확히 예측하기 두 가지 분석 방향을 .. 2025. 7. 15. 🛡️ UCPC 10차 회의 보호되어 있는 글 입니다. 2025. 7. 14. [유런오토냥] Segformer 구현 보호되어 있는 글 입니다. 2025. 7. 12. 🛡️ UCPC 예비소집/예선 줌 감독 보호되어 있는 글 입니다. 2025. 7. 12. 📑 결과 - 물리량 / 이미지-수치 물리량 관계 해석 전략 ✅ 방향성 1: 어떤 물리량이 결과에 가장 영향을 끼쳤는지 알아내기 ① Feature Importance 분석 (Tabular Encoder 기준)Tabular encoder로 MLP / TabTransformer / FT-Transformer를 쓰기 :Attention weight 평균 또는 학습된 MLP의 weight magnitude로 feature 중요도 추정 가능.Permutation Importance: 각 feature 값을 셔플하고 성능 변화 측정 → 가장 성능이 떨어지면 중요하다는 의미SHAP (SHapley Additive exPlanations):각 샘플에 대해 각 feature가 예측에 기여한 정도를 수치화멀티모달 모델에서도 tabular encoder가 분리되어 있다면 적용 가능.. 2025. 7. 11. 이전 1 2 3 4 5 6 7 8 ··· 41 다음
