論文の概要: Multi-Tier Labeling and Physics-Informed Learning for Orbital Anomaly Detection at Scale

• arxiv url: http://arxiv.org/abs/2605.09790v1
• Date: Sun, 10 May 2026 22:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.420882
• Title: Multi-Tier Labeling and Physics-Informed Learning for Orbital Anomaly Detection at Scale
• Title（参考訳）: 大規模軌道異常検出のためのマルチティアラベリングと物理インフォームドラーニング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Detecting orbital anomalies, such as maneuvers, atmospheric decay, and attitude upsets, across the rapidly growing population of low-Earth-orbit (LEO) satellites is a prerequisite for collision avoidance, decay forecasting, and conjunction screening. The bottleneck is not modeling capacity but labels: there is no public ground-truth corpus of orbital anomalies, manual review does not scale to approximately 10^4 active satellites, and pure rule-based detectors trade recall for precision so aggressively that they are blind to most behavioral anomalies. We present a multi-tier labeling cascade that composes three weak supervision sources of increasing fidelity: a fast physics rule set (rule_v1), an Interacting Multiple Model Unscented Kalman Filter (IMM-UKF) bank, and a supplemental-element calibration step (supGP), to produce labels at a scale unavailable from any single source. Applied to 232M Two-Line Element (TLE) records spanning 60 years, the cascade yields 8.6M labeled sequences of length 50 (430M timesteps) over 11 features that include explicit time encoding and full mean-element state. On overlapping satellites, IMM-UKF surfaces 42.6x more anomalies than rule_v1 alone. We train a 6.5M-parameter Transformer in two stages, achieving a maneuver recall of 55.4% and decay recall of 62.8% on a held-out test set. An ablation on the time-delta feature alone yields a 107% relative improvement in decay recall. We frame the resulting model as a high-recall triage classifier whose role is to surface candidate events for downstream filtering, not to issue final attributions, and discuss the path toward a Neural-ODE-based orbital world model.
• Abstract（参考訳）: 低地球軌道(LEO)衛星の人口が急速に増加する中で、機動、大気崩壊、姿勢乱れなどの軌道異常を検出することは、衝突回避、崩壊予測、共同スクリーニングの前提条件である。 このボトルネックはモデリング能力ではなくラベルであり、軌道異常の公的な真実のコーパスはなく、手動によるレビューはおよそ10^4のアクティブな衛星にスケールしない。 高速物理ルールセット(rule_v1)、インターアクタリング・マルチモデル・アンセント・カルマンフィルタ(IMM-UKF)バンク(IMM-UKF)、補助要素校正ステップ(supGP)の3つの弱い監督源を構成する多層ラベリングカスケードを、任意のソースから利用できないスケールでラベルを生成する。 60年にわたるTLE (232M Two-Line Element) レコードに適用されたカスケードは、明示的な時間エンコーディングと完全な平均要素状態を含む11の特徴に対して、長さ50(430万のタイムステップ)のラベル付きシーケンス8.6Mを出力する。 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。 我々は6.5Mパラメータ変圧器を2段階で訓練し、55.4%の操縦リコールと62.8%の減衰リコールをホールドアウトテストセットで達成した。 時間差のみのアブレーションは、崩壊リコールにおいて107%の相対的な改善をもたらす。 結果から得られたモデルを,下流フィルタリングの候補イベントを抽出し,最終的な属性を提示しないハイリコールトリアージ分類器として構成し,ニューラル・ODEに基づくオービタル・ワールド・モデルへの道筋を議論する。

関連論文リスト

• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• The Language of Elution: Autoregressive Prediction of the Next Feature in Untargeted LC-HRMS Lipidomics [0.0]
  SCIEX TripleTOF 6600+, Waters CSH C18)による4種類の臨床リポソームコホートからの15,242種の特徴の訓練 LSTMは98.4%の精度(99.99%のトップ5、平均絶対誤差3.6Da)、トランスフォーマー98.0%に達する。 これらの結果から, 溶出シーケンスは予測可能であり, メタボロミクスのアノテーションカバレッジを向上させるため, 予測MS/MS獲得の基盤となることが確認された。
  論文  参考訳（メタデータ） (2026-06-02T10:42:17Z)
• ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
  ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。 ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
  論文  参考訳（メタデータ） (2026-05-27T07:33:47Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• ExoNet: Calibrated Multimodal Deep Learning for TESS Exoplanet Candidate Vetting using Phase-Folded Light Curves, Stellar Parameters, and Multi-Head Attention [0.0]
  ExoNetは、段階的に折り畳まれたグローバルおよび局所的な光曲線ビューを恒星パラメータの特徴とともに処理するマルチモーダルなディープラーニングフレームワークである。 7,585個のKepler Objects of Interestというラベルで訓練され、テストAUC = 0.9549と86.3%の精度を達成した。 TOI-5728.01とTOI-6716.01は地球に似た未確認候補として浮上する。
  論文  参考訳（メタデータ） (2026-04-16T22:26:29Z)
• Fragile Reasoning: A Mechanistic Analysis of LLM Sensitivity to Meaning-Preserving Perturbations [2.7946918847372277]
  大規模言語モデルは、数学的推論ベンチマークにおいて強い性能を示すが、意味を保存する表面摂動に対して驚くほど脆弱である。 我々は677 GSM8K問題に対して,3つのオープンウェイトLLM(Mistral-7B,Llama-3-8B,Qwen2.5-7B)を意味論的に等価な変種と組み合わせて評価した。 3つのモデルはいずれも相当な解答フリップ率(28.8%-45.1%)を示し、数字のパラフレーズは名前スワップよりも一貫して破壊的である。
  論文  参考訳（メタデータ） (2026-04-02T05:30:20Z)
• Hierarchy-Guided Topology Latent Flow for Molecular Graph Generation [44.50339042016925]
  本稿では,グローバルコンテキストに対する潜在的マルチスケールプランを用いた3次元座標を用いた結合グラフを生成するプランナー・エグゼクタモデルを提案する。 HLTFは98.8%の原子安定性と92.9%の有効・均一性を達成し、PoseBustersの妥当性は94.0%(+0.9)に向上した。 GEOM-DRUGSでは、HLTFは後処理なしで85.5%/85.0%の妥当性/バリッド・ユニク・ノーベル、標準化された緩和後の92.2%/91.2%を達成している。
  論文  参考訳（メタデータ） (2026-03-28T03:48:13Z)
• The Mirror Design Pattern: Strict Data Geometry over Model Scale for Prompt Injection Detection [0.0]
  データキュレーション設計パターンであるMirrorを導入し、プロンプトインジェクションコーパスを正と負の細胞にまとめる。 我々は,L1インジェクション検定において,厳密なデータ形状がモデルスケールよりも重要であることを示す。
  論文  参考訳（メタデータ） (2026-03-12T12:50:57Z)
• Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity [2.3646560222366695]
  非繰り返し固体LiDARスキャンは、空中UAVを検出するための極めてスパースな測定条件をもたらす。 ラベル付きトレーニングデータを必要とせずに、検出とトラッキングの両方に対処する、教師なしのLiDARのみのパイプラインを導入します。
  論文  参考訳（メタデータ） (2026-03-12T06:19:51Z)
• MSign: An Optimizer Preventing Training Instability in Large Language Models via Stable Rank Restoration [48.446476072756276]
  トレーニング不安定性は、大規模言語モデルの事前トレーニングにおいて依然として重要な課題である。 我々は,5MナノGPTモデルにおけるトレーニング失敗をP$で評価した。 安定なランクを回復するために行列手演算を周期的に適用する新しいノルムであるMSignを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:18:45Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Deep Temporal Graph Networks for Real-Time Correction of GNSS Jamming-Induced Deviations [4.489167091323233]
  ジャミングはグローバルナビゲーション衛星システム(GNSS)を破壊している 本稿では,受信者の水平偏差をリアルタイムに予測し,補正する受信者中心の深部時間グラフネットワークを提案する。 単一層ヘテロジニアスグラフ ConvLSTM (HeteroGTM) は、1つのホップコンテキストと時間ダイナミクスを短い歴史の中で集約する。
  論文  参考訳（メタデータ） (2025-09-17T14:12:36Z)
• MambaAD: Exploring State Space Models for Multi-class Unsupervised Anomaly Detection [53.03687787922032]
  長距離モデリングと線形効率の優れたマンバモデルが注目されている。 本研究は,マルチクラス非教師付き異常検出へのMambaADの適用の先駆者であり,MambaADを提示する。 提案したLSSモジュールは、並列カスケード(Hybrid State Space) HSSブロックとマルチカーネル畳み込み操作を統合し、長距離情報とローカル情報の両方を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-04-09T18:28:55Z)

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。