Differences

This shows you the differences between two versions of the page.

--- ml4gamma:wdocs:ae [20/02/2025 15:39] – admin
+++ ml4gamma:wdocs:ae [21/02/2025 13:03] (current) – admin
@@ Line 1: / Line 1: @@
 ===== Автоэнкодер =====
- --- //[[kryukov@theory.sinp.msu.ru|Alexander Kryukov]] 20/02/2025 18:20//
+ --- //[[kryukov@theory.sinp.msu.ru|Alexander Kryukov]] 21/02/2025 16:02//
+Некоторые предварительные разъяснения.
+  * Предлагаю использовать в качестве разметки изображений на пером этапе параметры Хилласа, т.к.
+    - они просто считаются;
+    - являются интегральными характеристиками и более устойчивы к шумам.
+  * Использовать MTL подход, когда первый этап обработки один для всех задач, а вычисления конкретных параметров ШАЛ делается отдельными НС, которые, как правило, FC.
 Рассмотрим следующую схему на примере определения энергии первичной частицы ШАЛ в АЧТ.
-{{:ml4gamma:meetings:ae_hillas.png?400|}}
+{{:ml4gamma:wdocs:ae_hillas.png?400|}}
 **1. Обучение "AE"**
-Изображение (img), например МК, поступает на НС - энкодер, который переводит изображение в вектор скрытого поространства (z). Этот вектор, с помощью вспомогательной НС преобразуется в набор параметров Хилласа (h')
+Изображение (img), например МК, поступает на энкодер (Enc), который переводит изображение в вектор скрытого поространства (z). Этот вектор, с помощью декодера (Dec) преобразуется в набор параметров Хилласа (h').
+С другой стороны, то же самое изображение используется для получения параметров Хилласа (h) некоторой внешней программой (Hillas). Используя полученные параметры Хилласа h как разметку мы обучаем автоэнкодер (энкодер+декодер), отображающий img-->z-->h' при помощи функции потерь Loss(h,h').
+**2. Определение энергии первичной частицы** \\ //(Пример)//
+Вектор скрытого пространства (z) поступает на вход нейронной сети-регрессора, реализующей отображение его в значение энергии: z-->E'. Используя мета информацию разметки МК изображений (meta), а именно значение истинной энергии (E), обучаем регрессор с помощью функции потерь Loss(E,E').
-С другой стороны, тоже самое изображение используется для получения параметров Хилласа (h). Используя эти параметры как разметку для z мы обучаем автоэнкодер (энкодер+вспомогательная сеть), отображающий z-->h' при помощи функции потерь Loss(h,h').
+**3. Определение энергии ШАЛ**
-**2. Определение энергии первичной частицы**
+На вход энкодера (Enc) подается изображение (img), которое преобразуется в вектор скрытого пространства (z), который, в свою очередь, регрессором преобразуется в оценку значения энергии ШАЛ (E').
-В ектор скрытого пространства z поступает на вход НС-регрессора, отображающей его в значение энергии: z-->e'. Используя мета информацию разметки МК изображений, а именно значение истинной энергии (e), обучаем регрессор с помощью функции потерь Loss(e,e').
+//Примечание. Аналогично поступаем с другими параметрами ШАЛ, такими как точка прихода и т.п., добавляя новые блоки отображения векторов скрытого пространства на нужные величины. При этом переобучения AE не требуется. То есть используетм MTL подход.//
-//Примечание. Аналогично поступаем с другими параметрами ШАЛ, такими как точка прихода и т.п. То есть используетм MLT подход.//