論文の概要: Self-Supervised ConvLSTM for Fermi Large Area Telescope Transient Detection

• arxiv url: http://arxiv.org/abs/2605.22112v1
• Date: Thu, 21 May 2026 07:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.147173
• Title: Self-Supervised ConvLSTM for Fermi Large Area Telescope Transient Detection
• Title（参考訳）: フェルミ大面積望遠鏡過渡検出のための自己監督型ConvLSTM
• Authors: Alberto Garinei, Stefano Speziali, Alessandro Vispa, Andrea Marini, Sara Cutini, Emanuele Piccioni, Marcello Marconi, Francesco Longo, Matteo Martini, Francesca Fallucchi, Romeo Giuliano, Ernesto William De Luca, Umberto Di Matteo, Sabino Meola,
• Abstract要約: 本稿では,フェルミ・LAT空の終端シミュレーションと自己教師型深層学習を組み合わせることにより,制御環境における過渡ガンマ線現象を検出する枠組みを提案する。 我々は、gtobssimで10年間の合成ユニバースを生成し、シミュレーションされた事象を日次全天的な露出数マップに処理する。 時間的依存関係を学習しながら空間的局所性を保ちながら,シーケンスマップのシーケンスを直接操作するConvLSTMネットワークを採用している。
• 参考スコア（独自算出の注目度）: 29.577755639815027
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a framework for detecting transient gamma-ray phenomena in a controlled environment by combining end-to-end simulations of the Fermi-LAT sky with self-supervised spatio-temporal deep learning. We generate a ten-year synthetic Universe with gtobssim and process the simulated events into daily all-sky maps of counts and exposure, obtaining a time-ordered sequence that mirrors the structure of Fermi-LAT observations. To model the nominal evolution of the sky, we employ a Convolutional Long Short-Term Memory (ConvLSTM) network that operates directly on map sequences, preserving spatial locality while learning temporal dependencies. The model is trained to reconstruct expected emission, and departures from the learned baseline are quantified through pixel-wise mean-squared residual maps. We then define statistically motivated anomaly criteria by estimating per-pixel thresholds from the residual distribution on the training set, and we enforce spatial coherence via local filtering to suppress isolated fluctuations. The ConvLSTM is then deployed as trained predictor on Fermi-LAT daily maps, where the sky can depart from the nominal behavior because of genuine astrophysical variability and instrumental non-stationarities. The resulting pipeline flags localized, time-dependent excesses consistent with high-variable sources or transient events (e.g., flares or GRBs) and provides a benchmark for evaluating anomaly-detection strategies on long-duration, Fermi-LAT-like datasets.
• Abstract（参考訳）: 本稿では,Fermi-LAT空のエンドツーエンドシミュレーションと自己教師付き時空間深層学習を組み合わせることで,制御環境における過渡ガンマ線現象を検出する枠組みを提案する。 我々は、gtobssimで10年間の合成ユニバースを生成し、シミュレーションされた事象を、カウントと露出の日次全スキーマップに加工し、フェルミ・LAT観測の構造を反映した時間順序のシーケンスを得る。 空の命名的進化をモデル化するために,時間的依存関係を学習しながら空間的局所性を保ちながら,地図シーケンスを直接操作する畳み込み長短期記憶(ConvLSTM)ネットワークを用いる。 このモデルは期待される放出を再現するために訓練され、学習されたベースラインからの出発はピクセル単位の平均2乗残差マップによって定量化される。 次に,トレーニングセット上の残差分布から画素あたりの閾値を推定することにより,統計的に動機付けられた異常基準を定義し,局所フィルタリングにより空間コヒーレンスを強制し,孤立的な変動を抑制する。 ConvLSTMはFermi-LATの日々の地図上で訓練された予測器として展開され、空は真の天体物理学的変動と機器の非定常性のために名目上の振る舞いから逸脱することができる。 結果として得られるパイプラインフラグは、高変数のソースや過渡イベント(例えば、フレアやGRB)と整合した時間依存性の過剰をローカライズし、Fermi-LATのようなデータセット上の異常検出戦略を評価するためのベンチマークを提供する。

関連論文リスト

• Degeneracy-Resilient Teach and Repeat for Geometrically Challenging Environments Using FMCW Lidar [18.593167038234828]
  Teach and Repeat(T&R)のトポロジカルナビゲーションにより、ロボットはGPSに頼ることなく、事前に走行した経路を自律的に繰り返すことができる。 本稿では,ドップラー速度に基づくドップラー計測とデジェネリアシー・アウェア・スキャン・トゥ・マップ・ローカライゼーションからなる周波数変調連続波ライダーT&Rナビゲーションシステムを提案する。
  論文  参考訳（メタデータ） (2026-03-10T21:57:08Z)
• Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting [2.502143380601666]
  モデル時間スペクトルの監視範囲を拡大する周波数強調学習目標を提案する。 FreSTは、統一スペクトル領域における予測と基底真理を一致させ、空間と時間の両方にわたる複雑な依存関係を効果的にデコレーションする。
  論文  参考訳（メタデータ） (2026-02-13T20:42:49Z)
• Quantizing Space and Time: Fusing Time Series and Images for Earth Observation [4.012968772806928]
  本稿では,時系列と単一タイムスタンプ画像のマルチモーダル融合のためのタスク非依存フレームワークを提案する。 本手法は時系列量子化のための決定論的および学習戦略を探索する。 我々のモデルは衛星画像から一貫した地球温度分布を生成する。
  論文  参考訳（メタデータ） (2025-10-27T08:38:52Z)
• 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)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Online Time Series Anomaly Detection with State Space Gaussian Processes [12.483273106706623]
  R-ssGPFAは、一様および多変量時系列の教師なしオンライン異常検出モデルである。 高次元時系列に対して、時系列の一般的な潜伏過程を特定するためにガウス過程因子解析の拡張を提案する。 異常観測時にカルマン更新をスキップすることで,モデルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2022-01-18T06:43:32Z)

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。