論文の概要: AS-Bridge: A Bidirectional Generative Framework Bridging Next-Generation Astronomical Surveys

• arxiv url: http://arxiv.org/abs/2603.11928v1
• Date: Thu, 12 Mar 2026 13:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.112013
• Title: AS-Bridge: A Bidirectional Generative Framework Bridging Next-Generation Astronomical Surveys
• Title（参考訳）: AS-Bridge: 次世代天文学調査を橋渡しする双方向生成フレームワーク
• Authors: Dichang Zhang, Yixuan Shao, Simon Birrer, Dimitris Samaras,
• Abstract要約: A(Stronomical)S(urvey)-ブリッジは、地上観測と宇宙観測の間の双方向生成モデルである。 この定式化によって,単一サーベイを超えて新たな科学的能力が得られることを示す。
• 参考スコア（独自算出の注目度）: 29.00802510674858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The upcoming decade of observational cosmology will be shaped by large sky surveys, such as the ground-based LSST at the Vera C. Rubin Observatory and the space-based Euclid mission. While they promise an unprecedented view of the Universe across depth, resolution, and wavelength, their differences in observational modality, sky coverage, point-spread function, and scanning cadence make joint analysis beneficial, but also challenging. To facilitate joint analysis, we introduce A(stronomical)S(urvey)-Bridge, a bidirectional generative model that translates between ground- and space-based observations. AS-Bridge learns a diffusion model that employs a stochastic Brownian Bridge process between the LSST and Euclid observations. The two surveys have overlapping sky regions, where we can explicitly model the conditional probabilistic distribution between them. We show that this formulation enables new scientific capabilities beyond single-survey analysis, including faithful probabilistic predictions of missing survey observations and inter-survey detection of rare events. These results establish the feasibility of inter-survey generative modeling. AS-Bridge is therefore well-positioned to serve as a complementary component of future LSST-Euclid joint data pipelines, enhancing the scientific return once data from both surveys become available. Data and code are available at \href{https://github.com/ZHANG7DC/AS-Bridge}{https://github.com/ZHANG7DC/AS-Bridge}.
• Abstract（参考訳）: 今後の10年間の観測宇宙学は、ヴェラ・C・ルービン天文台の地上基地LSSTや、宇宙基地のユークリッドミッションなど、大規模なスカイサーベイによって形成される。 宇宙の深度、解像度、波長にまたがる前代未聞の視点を約束する一方で、観測モダリティ、空のカバレッジ、ポイント・スプレッド機能、走査ケイデンスの違いは、共同分析に有益であるが、難しい。 A(Stronomical)S(urvey)-Bridgeは,地上観測と宇宙観測の間の双方向生成モデルである。 AS-Bridgeは、LSSTとユークリッド観測の間の確率的ブラウン橋プロセスを用いた拡散モデルを学ぶ。 2つの調査は重複する空域を持ち、そこではそれらの間の条件確率分布を明示的にモデル化することができる。 この定式化は, 単一サーベイ解析を超える新たな科学的能力を実現することを示し, 欠落した調査観測の忠実な確率予測や, 希少事象のサーベイ間検出を行う。 これらの結果は、サーベイ間生成モデルの実現可能性を確立した。 そのため、AS-Bridgeは将来のLSST-ユークリッド共同データパイプラインの補完的なコンポーネントとして機能し、両調査のデータが利用可能になると科学的リターンが向上する。 データとコードは \href{https://github.com/ZHANG7DC/AS-Bridge}{https://github.com/ZHANG7DC/AS-Bridge} で入手できる。

関連論文リスト

• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• STOAT: Spatial-Temporal Probabilistic Causal Inference Network [4.973408202277769]
  STOAT(Spatial-Temporal Probabilistic Causal Inference Network)を提案する。 提案手法は,地域間依存関係を符号化した空間関係行列を組み込むことで因果推論手法を拡張する。 6カ国にわたるCOVID-19データの実験では、STOATが最先端の確率予測モデルを上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-06-11T09:25:09Z)
• 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)
• Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
  本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。 本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Predicting the Probability of Collision of a Satellite with Space Debris: A Bayesian Machine Learning Approach [0.0]
  宇宙は、宇宙活動の増大により、ローアース軌道でさらに混雑している。 定期的な運用の一環として衝突回避を検討する必要性は、衛星運用者にとって明らかである。 現在の手順は、人間アナリストによる多重衝突警告の分析に依存している。
  論文  参考訳（メタデータ） (2023-11-17T16:41:35Z)
• Homogenising SoHO/EIT and SDO/AIA 171\AA$~$ Images: A Deep Learning Approach [0.0]
  太陽の極端紫外線画像は、宇宙天気予報タスクの不可欠な部分となっている。 我々は、SoHO/EITとSDO/AIA 171AAサーベイの時間重なりを利用して、深層学習モデルのアンサンブルを訓練し、2回の太陽周期でEUV画像の1つの均一なサーベイを作成する。
  論文  参考訳（メタデータ） (2023-08-20T17:17:27Z)
• U-RED: Unsupervised 3D Shape Retrieval and Deformation for Partial Point Clouds [84.32525852378525]
  教師なし形状検索および変形パイプラインであるU-REDを提案する。 任意のオブジェクトの観察を入力として受け取り、通常RGBの画像やスキャンによってキャプチャされ、幾何学的に類似したCADモデルを共同で検索して変形する。 我々は,U-REDが既存の最先端アプローチを47.3%,16.7%,31.6%で上回っていることを示す。
  論文  参考訳（メタデータ） (2023-08-11T20:56:05Z)
• Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal Autoregressions with an Application to NO2 Satellite Data [0.0]
  高次元モデルのクラスをスパース推定する。 我々は,ユル=ヴァルカー方程式の集合をペナルティ化することにより,空間的および時間的依存を完全駆動的に支配する関係を推定する。 衛星シミュレーションは、競合する手順と比較して強い有限サンプル性能を示す。
  論文  参考訳（メタデータ） (2021-08-05T21:51:45Z)

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。