論文の概要: StarEmbed: Benchmarking Time Series Foundation Models on Astronomical Observations of Variable Stars

• arxiv url: http://arxiv.org/abs/2510.06200v1
• Date: Tue, 07 Oct 2025 17:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-27 22:13:09.40837
• Title: StarEmbed: Benchmarking Time Series Foundation Models on Astronomical Observations of Variable Stars
• Title（参考訳）: StarEmbed: 可変星の天文観測に関する時系列モデルベンチマーク
• Authors: Weijian Li, Hong-Yu Chen, Qinjie Lin, Nabeel Rehemtulla, Ved G. Shah, Dennis Wu, Adam A. Miller, Han Liu,
• Abstract要約: 時系列基礎モデル(TSFM)は、高機能な汎用時系列表現学習者として採用されつつある。 本稿では,恒星時系列観測における最先端TSFMの厳密で標準化された評価のための最初の公開ベンチマークであるStarEmbedを紹介する。 我々は,非教師付きクラスタリング,教師付き分類,アウト・オブ・ディストリビューション源検出という,科学的に動機付けられた3つの下流タスクをベンチマークした。
• 参考スコア（独自算出の注目度）: 12.329789568475045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series foundation models (TSFMs) are increasingly being adopted as highly-capable general-purpose time series representation learners. Although their training corpora are vast, they exclude astronomical time series data. Observations of stars produce peta-scale time series with unique challenges including irregular sampling and heteroskedasticity. We introduce StarEmbed, the first public benchmark for rigorous and standardized evaluation of state-of-the-art TSFMs on stellar time series observations (``light curves''). We benchmark on three scientifically-motivated downstream tasks: unsupervised clustering, supervised classification, and out-of-distribution source detection. StarEmbed integrates a catalog of expert-vetted labels with multi-variate light curves from the Zwicky Transient Facility, yielding ~40k hand-labeled light curves spread across seven astrophysical classes. We evaluate the zero-shot representation capabilities of three TSFMs (MOIRAI, Chronos, Chronos-Bolt) and a domain-specific transformer (Astromer) against handcrafted feature extraction, the long-standing baseline in the astrophysics literature. Our results demonstrate that these TSFMs, especially the Chronos models, which are trained on data completely unlike the astronomical observations, can outperform established astrophysics-specific baselines in some tasks and effectively generalize to entirely new data. In particular, TSFMs deliver state-of-the-art performance on our out-of-distribution source detection benchmark. With the first benchmark of TSFMs on astronomical time series data, we test the limits of their generalization and motivate a paradigm shift in time-domain astronomy from using task-specific, fully supervised pipelines toward adopting generic foundation model representations for the analysis of peta-scale datasets from forthcoming observatories.
• Abstract（参考訳）: 時系列基礎モデル(TSFM)は、高機能な汎用時系列表現学習者として採用されつつある。 トレーニングコーパスは広いが、天文学的な時系列データを除外している。 恒星の観測は、不規則なサンプリングやヘテロスケダスティック性を含むユニークな課題を伴うペタスケールの時系列を生成する。 本稿では,恒星時系列観測(`light curves''')における最先端TSFMの厳密かつ標準化された評価のための最初の公開ベンチマークであるStarEmbedを紹介する。 我々は,非教師付きクラスタリング,教師付き分類,アウト・オブ・ディストリビューション源検出という,科学的に動機付けられた3つの下流タスクをベンチマークした。 StarEmbedは、専門家が審査したラベルのカタログと、Zwicky Transient Facilityの多変量光曲線を統合し、7つの天体のクラスにまたがる約40万個の手ラベルの光曲線を生成する。 我々は,3つのTSFM (MOIRAI, Chronos, Chronos-Bolt) とドメイン固有トランスフォーマー (Astromer) の0ショット表現能力を,天文学文献における長年のベースラインである手作り特徴抽出に対して評価した。 これらのTSFM、特にクロノス模型は、天文学的な観測とは全く異なるデータに基づいて訓練されており、いくつかのタスクにおいて確立された天体物理学固有のベースラインを上回り、完全に新しいデータに効果的に一般化できることを示す。 特に、TSFMは、アウト・オブ・ディストリビューションソース検出ベンチマークで最先端のパフォーマンスを提供します。 天文時系列データに対するTSFMの最初のベンチマークでは、それらの一般化の限界を検証し、タスク固有の完全な教師付きパイプラインから、今後の観測所からのペタスケールデータセットの分析に汎用的な基礎モデル表現を採用するまでの時間領域天文学のパラダイムシフトを動機付けている。

関連論文リスト

• Simulation-Based Pretraining and Domain Adaptation for Astronomical Time Series with Minimal Labeled Data [0.12744523252873352]
  本稿では,実観測からラベル付きサンプルの必要性を大幅に低減し,シミュレーションを活用する事前学習手法を提案する。 我々のモデルは、複数の天文学調査(ZTFとLSST)のシミュレーションデータに基づいて訓練され、下流のタスクに効率的に移行する一般化可能な表現を学習する。 注目すべきは、既存の望遠鏡(ZTF)データのみをトレーニングすると、将来の望遠鏡(LSST)シミュレーションに匹敵する性能を達成できる、効果的なゼロショット転送能力を示すことだ。
  論文  参考訳（メタデータ） (2025-10-14T20:07:14Z)
• Time-RA: Towards Time Series Reasoning for Anomaly with LLM Feedback [55.284574165467525]
  Time-RA(Time-Series Reasoning for Anomaly)は、時系列異常検出を生成的、推論集約的なタスクに変換する。 また,実世界のマルチモーダルベンチマークデータセットであるRATs40Kを導入する。
  論文  参考訳（メタデータ） (2025-07-20T18:02:50Z)
• StellarF: A Lora-Adapter Integrated Large Model Framework for Stellar Flare Forecasting with Historical & Statistical Data [3.901857423144103]
  本研究では、恒星フレア予測のための新しい大規模モデルであるStellarF(Stellar Flare Forecasting)を紹介する。 StellarFの中核となるのは、フレア統計情報モジュールと過去のフレア記録モジュールを統合し、観測データから多スケールのパターン認識を可能にすることである。 提案した予測パラダイムは、天体物理学研究の進展と学際的応用のための新しい方法論の枠組みを確立する。
  論文  参考訳（メタデータ） (2025-07-15T04:59:22Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• General Time-series Model for Universal Knowledge Representation of Multivariate Time-Series data [61.163542597764796]
  周波数領域で異なる時間粒度(または対応する周波数分解能)の時系列が異なる結合分布を示すことを示す。 時間領域と周波数領域の両方からタイムアウェア表現を学習するために,新しいFourierナレッジアテンション機構を提案する。 自己回帰的空白埋め込み事前学習フレームワークを時系列解析に初めて組み込み、生成タスクに依存しない事前学習戦略を実現する。
  論文  参考訳（メタデータ） (2025-02-05T15:20:04Z)
• AstroM$^3$: A self-supervised multimodal model for astronomy [0.0]
  本稿では,モデルが複数のモーダルから同時に学習できる自己教師型事前学習手法AstroM$3$を提案する。 具体的には、CLIP(Contrastive Language- Image Pretraining)モデルをトリモーダル設定に拡張し、時系列測光データ、スペクトル、天体物理メタデータの統合を可能にする。 以上の結果から,CLIP事前学習により時系列光度測定の分類性能が向上し,精度が84.6%から91.5%に向上した。
  論文  参考訳（メタデータ） (2024-11-13T18:20:29Z)
• Moirai-MoE: Empowering Time Series Foundation Models with Sparse Mixture of Experts [103.725112190618]
  本稿では,単一入出力プロジェクション層を用いたMoirai-MoEを紹介するとともに,多種多様な時系列パターンのモデリングを専門家の疎結合に委ねる。 39のデータセットに対する大規模な実験は、既存の基盤モデルよりも、分配シナリオとゼロショットシナリオの両方において、Moirai-MoEの優位性を実証している。
  論文  参考訳（メタデータ） (2024-10-14T13:01:11Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• From Chaos to Clarity: Time Series Anomaly Detection in Astronomical Observations [6.903396830919462]
  天文観測における教師なし異常検出のための2段階フレームワークを提案する。 最初の段階では、トランスフォーマーベースのエンコーダデコーダアーキテクチャを用いて、各星の通常の時間パターンを学習する。 第2段階では、並列ノイズの発生に対処するために、ウィンドウワイズグラフ構造学習を用いてグラフニューラルネットワークを強化する。
  論文  参考訳（メタデータ） (2024-03-15T11:39:12Z)
• Astroconformer: Inferring Surface Gravity of Stars from Stellar Light Curves with Transformer [1.122225892380515]
  我々は、ケプラーミッションから恒星の光曲線を分析するトランスフォーマーベースのモデルであるAstroconformerを紹介する。 我々はアストラコンフォーマーが恒星表面重力を教師付きタスクとして強く推測できることを実証した。 また, この手法は, ルービン天文台からのカデンス光曲線の分離に応用可能であることを示す。
  論文  参考訳（メタデータ） (2022-07-06T16:22:37Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

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。