論文の概要: SELDON: Supernova Explosions Learned by Deep ODE Networks

• arxiv url: http://arxiv.org/abs/2603.04392v1
• Date: Wed, 04 Mar 2026 18:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.464126
• Title: SELDON: Supernova Explosions Learned by Deep ODE Networks
• Title（参考訳）: SELDON:Deep ODE Networksで学んだ超新星爆発
• Authors: Jiezhong Wu, Jack O'Brien, Jennifer Li, M. S. Krafczyk, Ved G. Shah, Amanda R. Wasserman, Daniel W. Apley, Gautham Narayan, Noelle I. Samia,
• Abstract要約: 連続時間予測AIモデルは、1日に数千のオブジェクトに対してミリ秒スケールの推論を提供することができるため、興味深い。 本稿では,スパースパネルと不規則な時間サンプリング(ガッピー)天体物理学的な光曲線のパネルのための,新しい連続時間変分オートエンコーダSELDONを提案する。
• 参考スコア（独自算出の注目度）: 0.06732575555508598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery rate of optical transients will explode to 10 million public alerts per night once the Vera C. Rubin Observatory's Legacy Survey of Space and Time comes online, overwhelming the traditional physics-based inference pipelines. A continuous-time forecasting AI model is of interest because it can deliver millisecond-scale inference for thousands of objects per day, whereas legacy MCMC codes need hours per object. In this paper, we propose SELDON, a new continuous-time variational autoencoder for panels of sparse and irregularly time-sampled (gappy) astrophysical light curves that are nonstationary, heteroscedastic, and inherently dependent. SELDON combines a masked GRU-ODE encoder with a latent neural ODE propagator and an interpretable Gaussian-basis decoder. The encoder learns to summarize panels of imbalanced and correlated data even when only a handful of points are observed. The neural ODE then integrates this hidden state forward in continuous time, extrapolating to future unseen epochs. This extrapolated time series is further encoded by deep sets to a latent distribution that is decoded to a weighted sum of Gaussian basis functions, the parameters of which are physically meaningful. Such parameters (e.g., rise time, decay rate, peak flux) directly drive downstream prioritization of spectroscopic follow-up for astrophysical surveys. Beyond astronomy, the architecture of SELDON offers a generic recipe for interpretable and continuous-time sequence modeling in any time domain where data are multivariate, sparse, heteroscedastic, and irregularly spaced.
• Abstract（参考訳）: オプティカル・トランジェントの発見率は、ヴェラ・C・ルービン天文台の「宇宙と時間に関するレガシー・サーベイ」がネットに登場し、従来の物理ベースの推論パイプラインを圧倒すると、毎晩1000万の公的なアラートに爆発する。 連続時間予測AIモデルは、1日に数千のオブジェクトに対してミリ秒スケールの推論を提供することができるのに対して、レガシーMCMCコードは1オブジェクトあたりの時間を必要とするため、興味深い。 本稿では,非定常でヘテロセダスティックで本質的に依存的な,スパースと不規則な時間サンプリング(ガッピー)の天体物理学的光曲線のパネルのための,新しい連続時間変分オートエンコーダSELDONを提案する。 SELDONは、マスク付きGRU-ODEエンコーダと潜伏型ニューラルODEプロパゲータと解釈可能なガウスバスデコーダを組み合わせる。 エンコーダは、少数の点しか観測されていない場合でも、不均衡なデータと相関データのパネルを要約することを学ぶ。 ニューラルODEは、この隠された状態を連続的に統合し、将来の目に見えないエポックに外挿する。 この外挿された時系列は、より深い集合によって、ガウス基底関数の重み付き和にデコードされる潜在分布に符号化され、それらのパラメータは物理的に意味を持つ。 このようなパラメータ(例えば、上昇時間、崩壊速度、ピークフラックス)は、天体物理探査のための分光追跡の下流の優先順位付けを直接推進する。 SELDONのアーキテクチャは、データが多変量、スパース、ヘテロセダスティック、不規則に空間化された任意の時間領域において、解釈可能かつ連続的なシーケンスモデリングのための一般的なレシピを提供する。

関連論文リスト

• QuaRK: A Quantum Reservoir Kernel for Time Series Learning [11.195918728130088]
  QuaRKは、ハードウェアリアリスティックな量子貯水池デデューサとカーネルベースの読み出しスキームを結合したエンドツーエンドフレームワークである。 我々は、時間依存データに対する学習理論の保証を提供し、設計と資源選択を有限サンプル性能にリンクする。
  論文  参考訳（メタデータ） (2026-02-14T00:04:52Z)
• Modeling Irregular Astronomical Time Series with Neural Stochastic Delay Differential Equations [13.404503606887717]
  ニューラル遅延微分方程式(ニューラルSDDE)に基づく新しいフレームワークを提案する。 提案手法では,遅延認識型ニューラルアーキテクチャ,SDDEの数値解法,ノイズの多いスパースシーケンスから頑健に学習する機構を統合する。 不規則なサンプルデータを用いた実験は、分類の正確さと新しい天体物理学的な事象の効果的な検出を、部分的なラベルでも示している。
  論文  参考訳（メタデータ） (2025-08-24T21:06:32Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• WaveGNN: Modeling Irregular Multivariate Time Series for Accurate Predictions [3.489870763747715]
  実世界の時系列は、しばしば不整合タイムスタンプ、欠落したエントリ、可変サンプリングレートなどの不規則性を示す。 既存のアプローチは、しばしばバイアスを生じさせる計算に頼っている。 本稿では,不規則にサンプリングされた時系列データを埋め込んで正確な予測を行う新しいフレームワークWaveGNNを提案する。
  論文  参考訳（メタデータ） (2024-12-14T00:03:44Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• ARFA: An Asymmetric Receptive Field Autoencoder Model for Spatiotemporal Prediction [55.30913411696375]
  本稿では,非対称な受容場オートエンコーダ (ARFA) モデルを提案する。 エンコーダでは,大域的時間的特徴抽出のための大規模なカーネルモジュールを提案し,デコーダでは局所的時間的再構成のための小さなカーネルモジュールを開発する。 降水予測のための大規模レーダエコーデータセットであるRainBenchを構築し,その領域における気象データの不足に対処する。
  論文  参考訳（メタデータ） (2023-09-01T07:55:53Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• A Probabilistic Autoencoder for Type Ia Supernovae Spectral Time Series [1.3316902142331577]
  我々は、スペクトル時系列のスパース集合からIa型超新星(SNe Ia)の固有多様性を学習するために確率論的自己エンコーダを構築する。 PAEは低次元の潜伏空間を学習し、人口内に存在する非線形な特徴を捉えていることを示す。 次に、SNe Ia上の多くの下流タスクにPAEを使用し、より正確に宇宙論的な分析を行う。
  論文  参考訳（メタデータ） (2022-07-15T17:58:27Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• Heteroscedastic Temporal Variational Autoencoder For Irregular Time Series [15.380441563675243]
  HeTVAE(Heteroscedastic Temporal Variational Autoencoder)と呼ばれる不規則サンプル時系列のための新しいディープラーニングフレームワークを提案する。 HeTVAEは、入力観察間隔に関する情報を符号化する新しい入力層と、入力間隔による不確かさを伝播する時間的VAEアーキテクチャと、変数による出力の不確実性を可能にするヘテロセダスティック出力層とを含む。 提案したアーキテクチャは,近年提案された潜時変動モデルと同様に,時間スパースおよび不規則サンプリングによる変動不確かさを,ベースラインや従来のモデルよりもよく反映できることを示す。
  論文  参考訳（メタデータ） (2021-07-23T16:59:21Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)

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。