論文の概要: Efficient reduction of stellar contamination and noise in planetary transmission spectra using neural networks
- arxiv url: http://arxiv.org/abs/2602.10330v1
- Date: Tue, 10 Feb 2026 22:07:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.3101
- Title: Efficient reduction of stellar contamination and noise in planetary transmission spectra using neural networks
- Title（参考訳）: ニューラルネットワークを用いた惑星透過スペクトルの恒星汚染とノイズの効率的な低減
- Authors: David S. Duque-Castaño, Lauren Flor-Torres, Jorge I. Zuluaga,
- Abstract要約: そこで本稿では,デノナイズドオートエンコーダを用いた外惑星スペクトルの恒星汚染と計器固有のノイズを低減する手法を提案する。
我々は、地球型(TRAPPIST-1eアナログ)と海王星型(K2-18bアナログ)の大規模な合成データセット上で、自己エンコーダアーキテクチャを設計し、訓練する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context: JWST has enabled transmission spectroscopy at unprecedented precision, but stellar heterogeneities (spots and faculae) remain a dominant contamination source that can bias atmospheric retrievals if uncorrected. Aims: We present a fast, unsupervised methodology to reduce stellar contamination and instrument-specific noise in exoplanet transmission spectra using denoising autoencoders, improving the reliability of retrieved atmospheric parameters. Methods: We design and train denoising autoencoder architectures on large synthetic datasets of terrestrial (TRAPPIST-1e analogues) and sub-Neptune (K2-18b analogues) planets. Reconstruction quality is evaluated with the $χ^2$ statistic over a wide range of signal-to-noise ratios, and atmospheric retrieval experiments on contaminated spectra are used to compare against standard correction approaches in accuracy and computational cost. Results: The autoencoders reconstruct uncontaminated spectra while preserving key molecular features, even at low S/N. In retrieval tests, pre-processing with denoising autoencoders reduces bias in inferred abundances relative to uncorrected baselines and matches the accuracy of simultaneous stellar-contamination fitting while reducing computational time by a factor of three to six. Conclusions: Denoising autoencoders provide an efficient alternative to conventional correction strategies and are promising components of future atmospheric characterization pipelines for both rocky and gaseous exoplanets.
- Abstract（参考訳）: コンテキスト: JWSTは前例のない精度で透過分光を可能としたが、恒星の不均一性(斑点とフィキュラ)は汚染源として支配的であり、修正されていない場合の大気の回収をバイアスすることができる。
Aims: デノナイズドオートエンコーダを用いた外惑星透過スペクトルにおける恒星汚染と計器固有のノイズを低減し,大気パラメータの信頼性を向上させるための高速で教師なしの手法を提案する。
方法:地球型 (TRAPPIST-1e アナログ) と海王星型 (K2-18b アナログ) の大規模な合成データセット上での自己エンコーダアーキテクチャの設計と訓練を行う。
コンストラクタの品質は, 広範囲の信号-雑音比に対して, $ ^2$ の統計値で評価され, 汚染スペクトルの大気検索実験を用いて, 精度と計算コストの標準補正手法と比較した。
結果: オートエンコーダは, 低S/Nでも重要な分子特性を保ちながら, 未汚染スペクトルを再構成した。
検索試験において、自己エンコーダをデノナイズした前処理は、補正されていないベースラインに対する推論量のバイアスを低減し、計算時間を3～6倍に削減しつつ、同時恒星汚染フィッティングの精度と一致させる。
結論: オートエンコーダの復号化は、従来の補正戦略に代わる効率的な代替手段であり、岩石系およびガス系外惑星の将来の大気評価パイプラインの有望な構成要素である。
関連論文リスト
- A Contrastive Pre-trained Foundation Model for Deciphering Imaging Noisomics across Modalities [21.574587733837973]
ノイズ(Noisomics)とは、抑圧から体系的なノイズデコーディングへ焦点を移すフレームワークである。
CoPはコントラスト学習を用いて摂動から意味的信号を解き放つ。
CoPは従来のディープラーニングスケーリングの法則を破り、100のトレーニングサンプルだけで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-21T02:52:34Z) - Hunting for "Oddballs" with Machine Learning: Detecting Anomalous Exoplanets Using a Deep-Learned Low-Dimensional Representation of Transit Spectra with Autoencoders [35.61099185492068]
本研究では, 異常検出のためのオートエンコーダを用いた機械学習手法の適用について検討した。
我々は,大気大挑戦 (ABC) データベースを用いて,CO2の豊富な大気を異常として,CO2の少ない大気を正常なクラスとして定義し,異常検出シナリオを構築する。
我々は、オートエンコーダ再構成損失、ワンクラスサポートベクトルマシン(1クラスSVM)、K平均クラスタリング、ローカルアウトリーファクタ(LOF)の4つの異なる異常検出戦略をベンチマークした。
論文 参考訳（メタデータ） (2026-01-05T18:15:53Z) - Clustering by Denoising: Latent plug-and-play diffusion for single-cell data [10.804074423092862]
観測空間と聴覚空間を分離する潜在的なプラグアンドプレイ拡散フレームワークを導入する。
この分離は、新しいギブスサンプリング手順によって行われる。
合成と実の単細胞ゲノミクスデータによるロバスト性の評価を行った。
論文 参考訳（メタデータ） (2025-10-26T21:03:56Z) - Optimized Spectral Fault Receptive Fields for Diagnosis-Informed Prognosis [8.719982934025415]
SFRF(Spectral Fault Receptive Fields)は, 断層診断における劣化状態の評価手法である。
SFRFは、特性欠陥周波数を中心とした対角スペクトルフィルタとして設計されている。
多目的進化最適化戦略は、受容場パラメータを調整するために用いられる。
論文 参考訳（メタデータ） (2025-06-14T07:12:56Z) - SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。
既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。
逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2025-03-16T12:32:11Z) - FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。
FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
論文 参考訳（メタデータ） (2024-12-13T10:45:25Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳（メタデータ） (2020-10-12T16:50:22Z) - Improving Stability of LS-GANs for Audio and Speech Signals [70.15099665710336]
このベクトル空間で計算された正規性からジェネレータ最適化の定式化への切り離しの符号化は、より包括的な分光図を作成するのに役立つことを示す。
本手法をベースラインGANと比較してモード崩壊の少ないトレーニングにおける安定性向上に有効であることを示す。
論文 参考訳（メタデータ） (2020-08-12T17:41:25Z)
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。