論文の概要: ExoNet: Multimodal Deep Learning for TESS Exoplanet Candidate Identification via Phase-Folded Light Curves, Stellar Parameters, and Multi-Head Attention Fusion

• arxiv url: http://arxiv.org/abs/2604.15560v1
• Date: Thu, 16 Apr 2026 22:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.669798
• Title: ExoNet: Multimodal Deep Learning for TESS Exoplanet Candidate Identification via Phase-Folded Light Curves, Stellar Parameters, and Multi-Head Attention Fusion
• Title（参考訳）: ExoNet: 位相整形光曲線, ステラーパラメータ, マルチヘッドアテンション融合によるTESS外惑星候補同定のためのマルチモーダル深層学習
• Abstract要約: 本稿では,位相展開した大域および局所的な光曲線表現を恒星パラメータと統合したマルチモーダル深層学習フレームワークExoNetを提案する。 200の未確認のTESS惑星候補に適用されたこのモデルは、居住可能な領域内のいくつかのものを含む、複数の高信頼な候補を特定する。 その結果,自動外惑星候補検証におけるマルチモーダル融合とアテンション機構の有効性が明らかになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NASA's Transiting Exoplanet Survey Satellite (TESS) has identified thousands of exoplanet candidates, yet many remain unconfirmed due to the limitations of manual vetting processes. This paper presents ExoNet, a multimodal deep learning framework that integrates phase-folded global and local light curve representations with stellar parameters using a late-fusion architecture combining 1D Convolutional Neural Networks and Multi-Head Attention. Trained on labeled Kepler data, ExoNet achieves strong classification performance and demonstrates effective generalization to TESS data. Applied to 200 unconfirmed TESS planet candidates, the model identifies multiple high-confidence candidates, including several within the habitable zone. The results highlight the effectiveness of multimodal fusion and attention mechanisms in automated exoplanet candidate validation.
• Abstract（参考訳）: NASAのトランジット太陽系外惑星探査衛星(TESS)は数千の太陽系外惑星候補を特定しているが、その多くは手動による拒否プロセスの限界のために未確認のままである。 本稿では,1次元畳み込みニューラルネットワークとマルチヘッドアテンションを組み合わせたレイトフュージョンアーキテクチャを用いて,位相折り畳みグローバルおよび局所光曲線表現を恒星パラメータと統合したマルチモーダルディープラーニングフレームワークExoNetを提案する。 ラベル付きケプラーデータに基づいて、ExoNetは強力な分類性能を達成し、TESSデータへの効果的な一般化を実証する。 200の未確認のTESS惑星候補に適用されたこのモデルは、居住可能な領域内のいくつかのものを含む、複数の高信頼な候補を特定する。 その結果,自動外惑星候補検証におけるマルチモーダル融合とアテンション機構の有効性が明らかになった。

関連論文リスト

• Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
  Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。 まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。 第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
  論文  参考訳（メタデータ） (2026-08-11T18:48:40Z)
• Earth-OneVision: Extending Remote Sensing Multimodal Large Language Models to More Sensor Modalities and Tasks [20.969678030412407]
  Earth-OneVisionは、9つのタスクカテゴリにまたがる6つのセンサーモードとクロスセンサー融合を統合する2B RS-MLLMである。 2Bパラメータだけで、Earth-OneVisionは広範なベンチマークで競合または最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-06-09T13:01:51Z)
• Science Earth: Towards A Planet-Scale Operating System for AI-Native Scientific Discovery [51.70607714288616]
  サイエンスアース(Science Earth)は、惑星規模の科学ランタイムで、あらゆる能力が他のものと接続できる。 その基盤となるEACNプロトコルは、機能を相互に発見し、タスクのオーナシップを交渉し、互換性のない明示的な標準を越えて判断することを可能にする。 2つの実行は、構造的に異なる条件下でこれを検証します。
  論文  参考訳（メタデータ） (2026-05-31T16:05:41Z)
• Multi-Tier Labeling and Physics-Informed Learning for Orbital Anomaly Detection at Scale [0.0]
  本稿では,多層ラベリングカスケードについて述べる。 60年にわたるTLE (232M Two-Line Element) レコードに適用すると、カスケードは長さ50(430Mのタイムステップ)の8.6Mのラベル付きシーケンスを11以上の特徴で生成する。 重なり合う衛星では、IMM-UKFはルール_v1単独よりも42.6倍多くの異常を表面化している。
  論文  参考訳（メタデータ） (2026-05-10T22:20:52Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• DART-Vetter: A Deep LeARning Tool for automatic triage of exoplanet candidates [29.27453886018479]
  DART-Vetterは、相対的な信号の周期に折り畳まれた光曲線のみを処理する畳み込みニューラルネットワークである。 我々は、DART-Vetterを、TESSとKeplerの光曲線で、公開され、均質にラベル付けされたいくつかのデータセットで訓練し、テストした。
  論文  参考訳（メタデータ） (2025-06-05T20:05:16Z)
• EarthMind: Leveraging Cross-Sensor Data for Advanced Earth Observation Interpretation with a Unified Multimodal LLM [103.7537991413311]
  地球観測(EO)データ分析は、環境と人間の動態のモニタリングに不可欠である。 最近のMultimodal Large Language Models (MLLM) は、EO理解の可能性を秘めているが、シングルセンサー入力に限定されている。 我々は、シングルセンサーとクロスセンサーの両方の入力を処理する統合視覚言語フレームワークであるEarthMindを提案する。
  論文  参考訳（メタデータ） (2025-06-02T13:36:05Z)
• OmniEarth-Bench: Towards Holistic Evaluation of Earth's Six Spheres and Cross-Spheres Interactions with Multimodal Observational Earth Data [72.98496934729245]
  地球科学におけるマルチモーダル学習のための既存のベンチマークは、地球の球体とその球体間相互作用の限定されたサイロ化されたカバレッジを提供する。 textbf OmniEarth-Benchは、6つの球体すべてに体系的にまたがる最初のマルチモーダルベンチマークである。 OmniEarth-Benchはスケーラブルでモジュール型のトポロジデータ推論フレームワークとネイティブなマルチオブザーブレーションソースで構築され、29,855の標準化された専門家によるアノテーションを生成する。
  論文  参考訳（メタデータ） (2025-05-29T15:02:27Z)
• A New Statistical Model of Star Speckles for Learning to Detect and Characterize Exoplanets in Direct Imaging Observations [37.845442465099396]
  本稿では,マルチスケールアプローチを用いてニュアンス変動を捉える新しい統計モデルを提案する。 これは解釈可能なエンドツーエンドの学習可能なフレームワークに統合され、同時に外惑星の検出とフラックス推定を行う。 提案手法は, 計算効率が高く, 各種データ品質に対して頑健であり, 大規模観測調査に適している。
  論文  参考訳（メタデータ） (2025-03-21T13:07:55Z)
• PFSD: A Multi-Modal Pedestrian-Focus Scene Dataset for Rich Tasks in Semi-Structured Environments [73.80718037070773]
  本稿では, 半構造化シーンに, nuScenesの形式を付加したマルチモーダルなPedestrian-Focused Sceneデータセットを提案する。 また,密集・隠蔽シナリオにおける歩行者検出のためのHMFN(Hybrid Multi-Scale Fusion Network)を提案する。
  論文  参考訳（メタデータ） (2025-02-21T09:57:53Z)
• ExoMiner++: Enhanced Transit Classification and a New Vetting Catalog for 2-Minute TESS Data [0.30325574299856156]
  2分間のTESSデータにおけるトランジット信号の分類を改善するために,ExoMinerの成功に基づく強化されたディープラーニングモデルを提案する。 ExoMiner++には、周期図、フラックストレンド、差画像、展開されたフラックス、宇宙船の姿勢制御データなど、追加の診断入力が含まれている。 本研究では,ExoMiner++の分類と各トランジット信号に対する信頼性スコアを含む新しいTESSカタログを紹介する。
  論文  参考訳（メタデータ） (2025-02-13T21:53:58Z)
• Exoplanet Transit Candidate Identification in TESS Full-Frame Images via a Transformer-Based Algorithm [2.447952962179654]
  本稿では,位相折り畳みや周期性の仮定を必要とせず,太陽系外惑星のトランジット信号を同定する手法を提案する。 我々は、トランスフォーマーにインスパイアされた新しいニューラルネットワークを実装し、FFI(Full Frame Image)光曲線を直接処理し、外惑星のトランジットを検出する。 本モデルでは,122光度曲線,88光度,4光度を含む214個の新しい惑星系候補を同定した。
  論文  参考訳（メタデータ） (2025-02-11T13:29:58Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。 各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Identifying Exoplanets with Deep Learning. V. Improved Light Curve Classification for TESS Full Frame Image Observations [1.4060799411474627]
  本稿では,第1次ミッションと第1次拡張ミッションの全フレーム画像からの光曲線と,Box Least Squaresで検出された周期信号を含むデータセットを提案する。 データセットは、完全な手作業によるレビュープロセスを使用して、Astronet-Triage-v2と呼ばれるニューラルネットワークのトレーニングに使用された。 Astronet-Triage-v2は4140TOIのうち3577をリカバリでき、Astronet-Triageは3349ターゲットを同じ精度でリカバリできる。
  論文  参考訳（メタデータ） (2023-01-03T21:58:13Z)
• MSMDFusion: Fusing LiDAR and Camera at Multiple Scales with Multi-Depth Seeds for 3D Object Detection [89.26380781863665]
  自律運転システムにおける高精度で信頼性の高い3次元物体検出を実現するためには,LiDARとカメラ情報の融合が不可欠である。 近年のアプローチでは、2次元カメラ画像の3次元空間への昇華点によるカメラ特徴のセマンティックな密度の探索が試みられている。 マルチグラニュラリティLiDARとカメラ機能とのマルチスケールなプログレッシブインタラクションに焦点を当てた,新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-07T12:29:29Z)
• Automated identification of transiting exoplanet candidates in NASA Transiting Exoplanets Survey Satellite (TESS) data with machine learning methods [1.9491825010518622]
  AI/ML ThetaRayシステムは当初ケプラー太陽系外惑星のデータで訓練され、確認された太陽系外惑星で検証される。 TESSミッションで発生したしきい値交差イベント(TCE)の10,803光曲線へのThetaRayの適用により、39の新たな惑星候補が発見された。
  論文  参考訳（メタデータ） (2021-02-20T12:28:39Z)
• A Two-Stage Deep Learning Detection Classifier for the ATLAS Asteroid Survey [0.0]
  太陽系の天体を光学的・電子的アーティファクトから分離する2段階ニューラルネットワークモデルを提案する。 このモデルは、ATLASデータ中の実際の小惑星の99.6%の精度で0.4%の偽陰率を示す。
  論文  参考訳（メタデータ） (2021-01-22T01:35:08Z)

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。