Fugu-MT 論文翻訳(概要): Physics-Informed Spectral Modeling for Hyperspectral Imaging

論文の概要: Physics-Informed Spectral Modeling for Hyperspectral Imaging

arxiv url: http://arxiv.org/abs/2508.21618v1
Date: Fri, 29 Aug 2025 13:32:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-01 19:45:11.057128
Title: Physics-Informed Spectral Modeling for Hyperspectral Imaging
Title（参考訳）: ハイパースペクトルイメージングのための物理インフォームドスペクトルモデリング
Authors: Zuzanna Gawrysiak, Krzysztof Krawiec,
Abstract要約: 物理インフォームド深層学習アーキテクチャであるPhISMを提案する。 mnameはいくつかの分類と回帰ベンチマークで先行メソッドよりも優れており、ラベル付きデータに制限があり、解釈可能な潜在表現によってさらなる洞察を提供する。
参考スコア（独自算出の注目度）: 1.9336815376402718
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present PhISM, a physics-informed deep learning architecture that learns without supervision to explicitly disentangle hyperspectral observations and model them with continuous basis functions. \mname outperforms prior methods on several classification and regression benchmarks, requires limited labeled data, and provides additional insights thanks to interpretable latent representation.
Abstract（参考訳）: 物理インフォームド深層学習アーキテクチャであるPhISMを提案する。 \mnameはいくつかの分類と回帰のベンチマークで先行メソッドよりも優れており、ラベル付きデータに制限があり、解釈可能な潜在表現によってさらなる洞察を提供する。

関連論文リスト

Causal Foundation Models: Disentangling Physics from Instrument Properties [1.3762533349477064]
コントラスト学習を訓練した二重エンコーダアーキテクチャを用いて,物理的要因と楽器的要因を分離する基礎モデルを提案する。提案手法は,下流予測タスクにおいて,従来の単一遅延空間基盤モデルよりも大幅に優れる。
論文参考訳（メタデータ） (2025-07-07T18:00:00Z)
Decoding Latent Spaces: Assessing the Interpretability of Time Series Foundation Models for Visual Analytics [8.924278187470678]
本研究では,時系列基礎モデルによる潜在空間の解釈可能性について検討する。我々は,計算,予測,分類,異常検出のためのモデルMOMENTファミリーを評価した。
論文参考訳（メタデータ） (2025-04-26T17:24:41Z)
Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [64.74977204942199]
幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
論文参考訳（メタデータ） (2025-04-14T10:06:27Z)
A theoretical framework for overfitting in energy-based modeling [5.1337384597700995]
相互作用ネットワークの同定を目的とした逆問題に対するペアワイズエネルギーベースモデルの学習における限られたデータの影響について検討する。これらの時間スケールとトレーニングの初期条件との相互作用から早期停止の最適点が生じることを示す。本稿では、スコアマッチングの下でのスコア関数のニューラルネットワークカーネルダイナミクスを導出することにより、任意のエネルギーベースモデルへの一般化を提案する。
論文参考訳（メタデータ） (2025-01-31T14:21:02Z)
Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文参考訳（メタデータ） (2024-06-17T06:20:39Z)
Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。我々は、理論的な主張を合成データ実験で裏付ける。
論文参考訳（メタデータ） (2024-06-01T18:01:03Z)
Learned Regularization for Inverse Problems: Insights from a Spectral Model [1.4963011898406866]
この章は、逆問題に対する最先端の学習アプローチに関する理論的に確立された調査を提供する。正規化法とそれらの収束を、基礎となるデータ分布の観点から拡張した定義を与える。
論文参考訳（メタデータ） (2023-12-15T14:50:14Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)

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。