ランダムフォレスト機械学習を用いた Tomo-e Gozen突発現象アラートシステムの開発

• 資料種別: 規格・テクニカルリポート類
• タイトル: ランダムフォレスト機械学習を用いた Tomo-e Gozen突発現象アラートシステムの開発
• 著者・編者: 笹岡, 大雅; 酒向, 重行; 瀧田, 怜; 新納, 悠; 森, 由貴; 冨永, 望; 高橋, 一郎; 田口, 健太; 田中, 雅臣
• 著者標目: 笹岡, 大雅; 酒向, 重行; 瀧田, 怜; 新納, 悠; 森, 由貴; 冨永, 望; 高橋, 一郎; 田口, 健太; 田中, 雅臣
• 出版事項: 宇宙航空研究開発機構 (JAXA)
• 出版年月日等: 2026-02-17
• 出版年（W3CDTF）: 2026-02-17
• 並列タイトル等: Development of a Random Forest-Based Transient Alert System for Tomo-e Gozen
• タイトル（掲載誌）: 宇宙航空研究開発機構研究開発報告: 宇宙科学情報解析論文誌: 第15号
• 巻号年月日等（掲載誌）: JAXA-RR-25-003
• 掲載巻: JAXA-RR-25-003
• 掲載ページ: 37-48
• ISSN（掲載誌）: EISSN : 2433-2216
• 本文の言語コード: jpn
• 件名標目: machine learning; surveys; supernovae; cataclysmic variables
• 対象利用者: 一般
• 一般注記: 出版タイプ： VoR; 東京大学木曽観測所では、1.05 m シュミット望遠鏡に搭載された広視野 CMOS カメラ Tomo-e Gozenを用いて高頻度の可視光広域サーベイを毎晩行っており、一晩あたり約 10 件の突発現象を捉えている。その一方で、主に画像の差分処理の失敗に起因する 10 万件を超える大量の誤検出が混入することが問題となっている。そこで、Tomo-e Gozen では、画像ベースのCNN 機械学習モデルを用いることで誤検出を大幅に低減している。我々はTomo-e Gozen の検出と同一の半夜のうちに追観測を可能にするような突発現象アラートの実現のため、更なる精度改善を目的とし、天文学的なカタログと観測データの利用に着目した。本研究では、CNN 機械学習モデルに直列に接続する、特徴量ベースのランダムフォレスト機械学習モデルを作成した。結果、80 % 以上の真陽性率と5 % 以下の偽陽性率をほぼ満たす正誤判定モデルの構築に成功した。これにより、誤検出の数は一晩あたり数件程度まで減少した。加えて本研究では、ランダムフォレストモデルを用いた突発現象の分類器の作成も行い、検出された突発現象候補に対し、超新星、激変星、フレア星などの分類の確率を出力することが可能となった。; At the Kiso Observatory of the University of Tokyo, we conduct a high-cadence, wide-field optical survey every night using Tomo-e Gozen, a wide-field mosaic CMOS camera mounted on the 1.05-meter Schmidt telescope, detecting approximately 10 transient candidates per night. However, a major challenge arises from the contamination of over 100,000 false detections per night, primarily due to failures in the image subtraction process. To address this, Tomo-e Gozen has reduced the number of false detections by employing an image-based CNN classification model. We focused on methods that utilize astronomical catalogs and observational data with the aim of improving the accuracy for realizing real-time transient alerts. In this study, we developed a feature-based random forest model connected in series to the CNN model. As a result, we successfully constructed a Real/Bogus discriminator achieving a true positive rate of about 80 % and a false positive rate of about 5 %. Consequently, we reduced the number of false detections to only a few events per night. Additionally, we developed a random forest-based classifier for transient categorization, enabling the output of classification probabilities into types such as supernovae, cataclysmic variables, and flare stars for each detected transient candidate.; 形態: カラー図版あり; Physical characteristics: Original contains color illustrations; レポート番号: JAXA-RR-25-003
• DOI: 10.20637/0002002543; https://doi.org/10.20637/0002002543
• オンライン閲覧公開範囲: インターネット公開
• 連携機関・データベース: 国立情報学研究所 : 学術機関リポジトリデータベース（IRDB）（機関リポジトリ）; https://irdb.nii.ac.jp
• 提供元機関・データベース: 宇宙航空研究開発機構 : 宇宙航空研究開発機構リポジトリ