論文の概要: TokEye: Fast Signal Extraction for Fluctuating Time Series via Offline Self-Supervised Learning From Fusion Diagnostics to Bioacoustics

• arxiv url: http://arxiv.org/abs/2602.20317v2
• Date: Thu, 26 Feb 2026 01:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 14:31:23.910322
• Title: TokEye: Fast Signal Extraction for Fluctuating Time Series via Offline Self-Supervised Learning From Fusion Diagnostics to Bioacoustics
• Title（参考訳）: TokEye: 核融合診断から生体音響へのオフライン自己監督学習による変動時系列の高速信号抽出
• Authors: Nathaniel Chen, Kouroche Bouchiat, Peter Steiner, Andrew Rothstein, David Smith, Max Austin, Mike van Zeeland, Azarakhsh Jalalvand, Egemen Kolemen,
• Abstract要約: ITERのような次世代核融合施設は"データ・デルージュ"に直面しており、毎日数ペタバイトのマルチ診断信号を生成し、手動分析に挑戦する。 我々は,高雑音の時間周波数データからコヒーレントモードと過渡モードを自動抽出する「信号ファースト」な自己教師型フレームワークを提案する。 また, トカマクの揺らぎ測定のためのコヒーレント, 準コヒーレント, 過渡モードを抽出するための汎用手法とツールを開発した。
• 参考スコア（独自算出の注目度）: 3.299309984116336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-generation fusion facilities like ITER face a "data deluge," generating petabytes of multi-diagnostic signals daily that challenge manual analysis. We present a "signals-first" self-supervised framework for the automated extraction of coherent and transient modes from high-noise time-frequency data across a variety of sensors. We also develop a general-purpose method and tool for extracting coherent, quasi-coherent, and transient modes for fluctuation measurements in tokamaks by employing non-linear optimal techniques in multichannel signal processing with a fast neural network surrogate on fast magnetics, electron cyclotron emission, CO2 interferometers, and beam emission spectroscopy measurements from DIII-D. Results are tested on data from DIII-D, TJ-II, and non-fusion spectrograms. With an inference latency of 0.5 seconds, this framework enables real-time mode identification and large-scale automated database generation for advanced plasma control. Repository is in https://github.com/PlasmaControl/TokEye.
• Abstract（参考訳）: ITERのような次世代核融合施設は"データ・デルージュ"に直面しており、毎日数ペタバイトのマルチ診断信号を生成し、手動分析に挑戦する。 各種センサにまたがる高雑音の時間周波数データからコヒーレントモードと過渡モードを自動抽出する「信号ファースト」な自己組織化フレームワークを提案する。 また、高速ニューラルネットワークを用いたマルチチャネル信号処理において、高速磁気、電子サイクロトロン放射、CO2干渉計、DIII-Dからのビーム放射分光測定において非線形最適手法を用いて、トカマクのコヒーレント、準コヒーレント、過渡モードを抽出するための汎用的方法とツールを開発した。 結果は、DIII-D、TJ-II、および非核融合スペクトログラムのデータで検証される。 このフレームワークは、0.5秒の推論レイテンシで、リアルタイムモード識別と、高度なプラズマ制御のための大規模自動データベース生成を可能にする。 Repositoryはhttps://github.com/PlasmaControl/TokEye.comにある。

関連論文リスト

• CT Scans As Video: Efficient Intracranial Hemorrhage Detection Using Multi-Object Tracking [0.9332987715848716]
  本稿では,2次元検出の効率と3次元コンテキストの必要性を両立させる軽量コンピュータビジョンフレームワークを開発する。 計算コストのごく一部で3Dコンテキスト推論を近似することにより,リアルタイム患者優先化のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-05T19:49:51Z)
• QualityFM: a Multimodal Physiological Signal Foundation Model with Self-Distillation for Signal Quality Challenges in Critically Ill Patients [3.744688073010934]
  Photoplethysmogram(PSG)とElectrocardiogram(ECG)は一般的にICU(ICU)と手術室(OR)に記録されている。 これまでに調査された手法は、限定的な一般化可能性、広範なラベル付きデータへの依存、およびクロスタスク転送性に悩まされている。 本稿では,これらの生理的信号に対する新しいマルチモーダル基礎モデルであるQualityFMを紹介する。
  論文  参考訳（メタデータ） (2025-09-08T10:20:56Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
  既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。 本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-06-04T12:33:02Z)
• Dilated convolutional neural network for detecting extreme-mass-ratio inspirals [8.809900732195281]
  本稿では,周波数領域におけるシーケンスモデリングによるEMRI信号検出に着目したエンドツーエンドモデルDECODEを提案する。 我々は,SNRを50～120に蓄積した1年間のデータから,真正の96.3%を偽正の1%で達成した。
  論文  参考訳（メタデータ） (2023-08-31T03:16:38Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。