論文の概要: Universal Spectral Tokenization via Self-Supervised Panchromatic Representation Learning

• arxiv url: http://arxiv.org/abs/2510.17959v1
• Date: Mon, 20 Oct 2025 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.433297
• Title: Universal Spectral Tokenization via Self-Supervised Panchromatic Representation Learning
• Title（参考訳）: 自己教師付きパンクロマティック表現学習によるユニバーサルスペクトルトークン化
• Authors: Jeff Shen, Francois Lanusse, Liam Holden Parker, Ollie Liu, Tom Hehir, Leopoldo Sarra, Lucas Meyer, Micah Bowles, Sebastian Wagner-Carena, Sebastian Wagner-Carena, Helen Qu, Siavash Golkar, Alberto Bietti, Hatim Bourfoune, Nathan Cassereau, Pierre Cornette, Keiya Hirashima, Geraud Krawezik, Ruben Ohana, Nicholas Lourie, Michael McCabe, Rudy Morel, Payel Mukhopadhyay, Mariel Pettee, Bruno Régaldo-Saint Blancard, Kyunghyun Cho, Miles Cranmer, Shirley Ho,
• Abstract要約: 連続した科学的データは、多くの解像度と領域にまたがり、それらを共通の表現に統一することは、科学の基礎モデルを開発するための重要なステップである。 ヘテロジニアススペクトルを自己監督的に学習する深層学習モデルを提案する。 初めて、単一のモデルが、解像度と領域をまたいだスペクトルデータを統一できることを実証した。
• 参考スコア（独自算出の注目度）: 39.14992490784682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential scientific data span many resolutions and domains, and unifying them into a common representation is a key step toward developing foundation models for the sciences. Astronomical spectra exemplify this challenge: massive surveys have collected millions of spectra across a wide range of wavelengths and resolutions, yet analyses remain fragmented across spectral domains (e.g., optical vs. infrared) and object types (e.g., stars vs. galaxies), limiting the ability to pool information across datasets. We present a deep learning model that jointly learns from heterogeneous spectra in a self-supervised manner. Our universal spectral tokenizer processes spectra from a variety of object types and resolutions directly on their native wavelength grids, producing intrinsically aligned, homogeneous, and physically meaningful representations that can be efficiently adapted to achieve competitive performance across a range of downstream tasks. For the first time, we demonstrate that a single model can unify spectral data across resolutions and domains, suggesting that our model can serve as a powerful building block for foundation models in astronomy -- and potentially extend to other scientific domains with heterogeneous sequential data, such as climate and healthcare.
• Abstract（参考訳）: 連続した科学的データは、多くの解像度と領域にまたがり、それらを共通の表現に統一することは、科学の基礎モデルを開発するための重要なステップである。 大規模な調査では、広い波長と解像度で数百万のスペクトルを集めているが、分析は、スペクトル領域(例えば、光対赤外線)とオブジェクトタイプ(例えば、恒星対銀河)で断片化され、データセット間で情報をプールする能力が制限されている。 ヘテロジニアススペクトルを自己監督的に学習する深層学習モデルを提案する。 我々の普遍的なスペクトルトークン化器は、様々なオブジェクトタイプや解像度のスペクトルをネイティブの波長グリッド上で直接処理し、本質的に整列し、均一で、物理的に有意義な表現を生成し、様々な下流タスクで競争性能を達成するために効率的に適応することができる。 初めて、単一のモデルが解像度と領域をまたいでスペクトルデータを統一できることを示し、私たちのモデルは天文学の基礎モデルのための強力なビルディングブロックとして機能し、気候や医療のような異質なシーケンシャルなデータを持つ他の科学領域にまで拡張できる可能性を示唆している。

関連論文リスト

• SpecCLIP: Aligning and Translating Spectroscopic Measurements for Stars [1.4217538206528657]
  我々は、LLMにインスパイアされた方法論を恒星スペクトル分析に拡張する基盤モデルフレームワークであるSpecCLIPを提案する。 大規模データセットの基盤モデルをトレーニングすることで、さまざまな下流アプリケーションをサポートする堅牢で情報に富んだ埋め込みを学ぶことが私たちのゴールです。 これらのモデルを中規模ラベル付きデータセットに微調整することで、恒星パラメータ推定や化学特性決定といったタスクへの適応性が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-02T17:49:52Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Shared Stochastic Gaussian Process Latent Variable Models: A Multi-modal Generative Model for Quasar Spectra [2.3099448395832956]
  我々は、観測されたスペクトルの特徴と銀河や太陽系外惑星などの天体の科学的性質の両方を含むデータセットの天体物理学への応用に焦点をあてる。 クエーサーとして知られる非常に明るい銀河のスペクトルとその性質を、複数の観測空間で研究する。 単一のデータポイントは、それぞれ異なる可能性を持つ異なる観察のクラスによって特徴づけられる。
  論文  参考訳（メタデータ） (2025-02-27T06:57:23Z)
• SpectralGPT: Spectral Remote Sensing Foundation Model [60.023956954916414]
  SpectralGPTという名前のユニバーサルRS基盤モデルは、新しい3D生成事前学習変換器(GPT)を用いてスペクトルRS画像を処理するために構築されている。 既存の基礎モデルと比較して、SpectralGPTは、様々なサイズ、解像度、時系列、領域をプログレッシブトレーニング形式で対応し、広範なRSビッグデータのフル活用を可能にする。 我々の評価では、事前訓練されたスペクトルGPTモデルによる顕著な性能向上が強調され、地球科学分野におけるスペクトルRSビッグデータ応用の進展に有意な可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-13T07:09:30Z)

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。