論文の概要: Learning What's Real: Disentangling Signal and Measurement Artifacts in Multi-Sensor Data, with Applications to Astrophysics

• arxiv url: http://arxiv.org/abs/2604.09787v1
• Date: Fri, 10 Apr 2026 18:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.674115
• Title: Learning What's Real: Disentangling Signal and Measurement Artifacts in Multi-Sensor Data, with Applications to Astrophysics
• Title（参考訳）: 本当のことを学ぶ:多センサデータにおける信号と測定アーチファクトの分離と天体物理学への応用
• Authors: Pablo Mercader-Perez, Carolina Cuesta-Lazaro, Daniel Muthukrishna, Jeroen Audenaert, V. Ashley Villar, David W. Hogg, Marc Huertas-Company, William T. Freeman,
• Abstract要約: 重なり合う観測、二重エンコーダアーキテクチャ、および対実生成目的を利用するディープラーニングフレームワークを提案する。 DESIレガシーイメージングサーベイ(Legacy)とHyper Suprime-Cam(HSC)サーベイ(Hyper Suprime-Cam)サーベイ(Hyper Suprime-Cam)サーベイ(HSC)による天体物理銀河画像へのアプローチの有効性を代表的マルチストラクチャ設定として示す。
• 参考スコア（独自算出の注目度）: 15.546987453025517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data collected from the physical world is always a combination of multiple sources: an underlying signal from the physical process of interest and a signal from measurement-dependent artifacts from the sensor or instrument. This secondary signal acts as a confounding factor, limiting our ability to extract information about the physics underlying the phenomena we observe. Furthermore, it complicates the combination of observations in heterogeneous or multi-instrument settings. We propose a deep learning framework that leverages overlapping observations, a dual-encoder architecture, and a counterfactual generation objective to disentangle these factors of variation. The resulting representations explicitly separate intrinsic signals from sensor-specific distortions and noise, and can be used for counterfactual view generation, parameter inference unconfounded by measurement distortions, and instrument-independent similarity search. We demonstrate the effectiveness of our approach on astrophysical galaxy images from the DESI Legacy Imaging Survey (Legacy) and the Hyper Suprime-Cam (HSC) Survey as a representative multi-instrument setting. This framework provides a general recipe for scientific and multi-modal self-supervised pretraining: construct training pairs from overlapping observations of the same physical system, treat sensor- or modality-specific effects as augmentations, and learn invariant representations through counterfactual generation.
• Abstract（参考訳）: 物理的世界から収集されたデータは、常に複数の情報源、すなわち、物理的プロセスの信号と、センサーや機器の計測に依存した人工物からの信号の組み合わせである。 この二次信号は、私たちが観測する現象の基盤となる物理に関する情報を抽出する能力を制限する要因として機能する。 さらに、異種または多種構成の設定における観測の組み合わせを複雑にする。 重なり合う観測、二重エンコーダアーキテクチャ、およびこれらの変動要因を解消するための対物生成目的を利用するディープラーニングフレームワークを提案する。 得られた表現は、センサ固有の歪みやノイズから固有の信号を明示的に分離し、反ファクト的なビュー生成、測定歪みによる未確立パラメータ推論、機器に依存しない類似性探索に使用できる。 DESIレガシーイメージングサーベイ(Legacy)とHyper Suprime-Cam(HSC)サーベイ(Hyper Suprime-Cam)サーベイ(Hyper Suprime-Cam)サーベイ(HSC)による天体物理銀河画像へのアプローチの有効性を代表的マルチストラクチャ設定として示す。 このフレームワークは、同じ物理系の重なり合う観測からペアを構築すること、センサまたはモダリティ固有の効果を拡張として扱うこと、反ファクト生成を通じて不変表現を学習すること、といった、科学的およびマルチモーダルな自己教師付き事前訓練のための一般的なレシピを提供する。

関連論文リスト

• The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding [82.53463660564933]
  セマンティックエンコーダは、主に抽象的意味を符号化する低周波成分をキャプチャするが、ピクセルエンコーダは微細な詳細を伝達する高周波情報を保持する。 本稿では,新しい周波数帯域変調器を用いて意味構造と画素の詳細を調和させるモデルであるUnified Autoencoding (UAE)を提案する。
  論文  参考訳（メタデータ） (2025-12-22T18:59:57Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Physical-Layer Machine Learning with Multimode Interferometric Photon Counting [0.40964539027092906]
  本稿では,機械学習と干渉光子計数を組み合わせた統合プロトコルを提案し,雑音の低減と相関関係を明らかにする。 以上の結果より, 従来のホモダイン検出法では, マルチモード干渉光子計数の方が優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-06-14T02:10:19Z)
• SPAR: Self-supervised Placement-Aware Representation Learning for Distributed Sensing [8.169886927469625]
  SPARは分散センシングにおける自己教師型配置認識表現学習のためのフレームワークである。 SPARは、様々なモード、配置、下流タスクにまたがる優れた堅牢性と一般化を実現する。
  論文  参考訳（メタデータ） (2025-05-22T17:26:23Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• A method based on Generative Adversarial Networks for disentangling physical and chemical properties of stars in astronomical spectra [0.16385815610837165]
  本研究では, 天体物理スペクトル解析の文脈において, 敵の訓練を行うエンコーダ・デコーダアーキテクチャを設計した。 深層学習のスキームは、データに含まれる残りの情報のパラメータを潜在空間で解き放つことを目的として使用される。 この方法の有効性を検証するため,APOGEE と Gaia の調査から合成天文学データを用いた。
  論文  参考訳（メタデータ） (2024-11-08T20:45:09Z)
• Is Disentanglement enough? On Latent Representations for Controllable Music Generation [78.8942067357231]
  強い生成デコーダが存在しない場合、アンタングル化は必ずしも制御性を意味するものではない。 VAEデコーダに対する潜伏空間の構造は、異なる属性を操作するための生成モデルの能力を高める上で重要な役割を果たす。
  論文  参考訳（メタデータ） (2021-08-01T18:37:43Z)
• Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision Action Recognition [131.6328804788164]
  本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。 SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
  論文  参考訳（メタデータ） (2020-09-01T03:38:31Z)

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。