論文の概要: Modeling Irregular Astronomical Time Series with Neural Stochastic Delay Differential Equations

• arxiv url: http://arxiv.org/abs/2508.17521v1
• Date: Sun, 24 Aug 2025 21:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.567664
• Title: Modeling Irregular Astronomical Time Series with Neural Stochastic Delay Differential Equations
• Title（参考訳）: ニューラル確率遅延微分方程式を用いた不規則天体時系列のモデル化
• Authors: YongKyung Oh, Seungsu Kam, Dong-Young Lim, Sungil Kim,
• Abstract要約: ニューラル遅延微分方程式(ニューラルSDDE)に基づく新しいフレームワークを提案する。 提案手法では,遅延認識型ニューラルアーキテクチャ,SDDEの数値解法,ノイズの多いスパースシーケンスから頑健に学習する機構を統合する。 不規則なサンプルデータを用いた実験は、分類の正確さと新しい天体物理学的な事象の効果的な検出を、部分的なラベルでも示している。
• 参考スコア（独自算出の注目度）: 13.404503606887717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Astronomical time series from large-scale surveys like LSST are often irregularly sampled and incomplete, posing challenges for classification and anomaly detection. We introduce a new framework based on Neural Stochastic Delay Differential Equations (Neural SDDEs) that combines stochastic modeling with neural networks to capture delayed temporal dynamics and handle irregular observations. Our approach integrates a delay-aware neural architecture, a numerical solver for SDDEs, and mechanisms to robustly learn from noisy, sparse sequences. Experiments on irregularly sampled astronomical data demonstrate strong classification accuracy and effective detection of novel astrophysical events, even with partial labels. This work highlights Neural SDDEs as a principled and practical tool for time series analysis under observational constraints.
• Abstract（参考訳）: LSSTのような大規模な調査による天文学的な時系列は、しばしば不規則にサンプリングされ、不完全であり、分類と異常検出の課題を提起する。 本稿では、確率的モデリングとニューラルネットワークを組み合わせたニューラル確率遅延微分方程式(Neural SDDE)に基づく新しいフレームワークを導入し、遅延時間ダイナミクスを捉え、不規則な観測を処理する。 提案手法では,遅延認識型ニューラルアーキテクチャ,SDDEの数値解法,ノイズの多いスパースシーケンスから頑健に学習する機構を統合する。 不規則なサンプルデータを用いた実験は、分類の正確さと新しい天体物理学的な事象の効果的な検出を、部分的なラベルでも示している。 この研究は、観測制約下での時系列解析の原則的で実践的なツールとして、Neural SDDEを強調している。

関連論文リスト

• Neural MJD: Neural Non-Stationary Merton Jump Diffusion for Time Series Prediction [13.819057582932214]
  本稿ではニューラルネットワークに基づく非定常メルトン拡散(MJD)モデルであるNeural MJDを紹介する。 我々のモデルは、ポアソン方程式(SDE)シミュレーション問題として予測を明示的に定式化する。 トラクタブルラーニングを実現するため,小さな時間間隔でジャンプ回数を抑える機構を導入する。
  論文  参考訳（メタデータ） (2025-06-05T01:23:28Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Stacked Residuals of Dynamic Layers for Time Series Anomaly Detection [0.0]
  多変量時系列における異常検出を行うために,終端から終端までの微分可能なニューラルネットワークアーキテクチャを提案する。 このアーキテクチャは、信号の線形予測可能なコンポーネントを分離するために設計された動的システムのカスケードである。 異常検出器は、予測残差の時間的構造を利用して、孤立した点異常とセットポイントの変化の両方を検出する。
  論文  参考訳（メタデータ） (2022-02-25T01:50:22Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Crop Classification under Varying Cloud Cover with Neural Ordinary Differential Equations [23.93148719731374]
  作物分類の最先端の手法は、観測間の時間間隔を暗黙的に仮定する手法に依存している。 本稿では,ニューラル常微分方程式 (NODE) とリカレントニューラルネットワーク (RNN) を組み合わせることで,不規則に空間化された画像列における作物の種類を分類することを提案する。
  論文  参考訳（メタデータ） (2020-12-04T11:56:50Z)
• Learning Continuous-Time Dynamics by Stochastic Differential Networks [32.63114111531396]
  変動微分ネットワーク(VSDN)という,フレキシブルな連続時間リカレントニューラルネットワークを提案する。 VSDNは神経微分方程式(SDE)による散発時間系列の複雑なダイナミクスを埋め込む VSDNは最先端の継続的ディープラーニングモデルより優れており、散発時系列の予測やタスクにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2020-06-11T01:40:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。