論文の概要: Probabilistic Data-Driven Modelling of Astrophysical Transients: The Neural Process Family for Ultrafast and Class-Agnostic Light Curve Reconstruction with NightLANP

• arxiv url: http://arxiv.org/abs/2605.27527v2
• Date: Mon, 01 Jun 2026 16:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 18:24:16.619482
• Title: Probabilistic Data-Driven Modelling of Astrophysical Transients: The Neural Process Family for Ultrafast and Class-Agnostic Light Curve Reconstruction with NightLANP
• Title（参考訳）: 天体物理遷移の確率論的データ駆動モデル:NightLANPを用いた超高速・クラス非依存光曲線再構成のためのニューラルプロセスファミリー
• Authors: Siddharth Chaini, Federica B. Bianco, Ashish Mahabal,
• Abstract要約: 光曲線再構成のためのニューラルプロセスファミリーを導入する。 最適化されていなくても、Attentive Neural Processがすべてのベンチマークを一貫して上回っていることを示す。 我々のモデルは、全てのバンドをマイクロ秒で同時に補間し、次の最強のニューラルベンチマークよりも4桁以上高速である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Astrophysical observations from Earth are subject to weather, environmental, and scientific constraints that lead to sparse, irregular light curves. On the eve of the Vera C. Rubin Observatory Legacy Survey of Space and Time, its dataset offers unprecedented opportunities for transient science. Yet a key challenge remains its cadence, sparse and irregular across six bands, limiting inference. Interpolation helps mitigate this, with Gaussian Processes the standard, but they struggle with cross-band correlations, require a priori kernel specification, and must be fit to each light curve individually, hence scaling poorly. Here, we introduce the neural process family for light curve reconstruction, combining the probabilistic framework of Gaussian Processes with the scalability of deep learning. By meta-learning on diverse simulated transients, Attentive Neural Processes shift the bulk of computation to training, enabling rapid, amortized inference with a class-agnostic model. Evaluated on realistic Rubin cadences across 15 transient classes, we show that even an unoptimized, out-of-the-box Attentive Neural Process consistently outperforms all benchmarks -- a suite of Gaussian Processes and neural networks -- on every tested metric, spanning regression quality, astrophysical feature recovery, and probabilistic calibration. Our model interpolates all bands simultaneously in microseconds, over four orders of magnitude faster than the next-best neural benchmark and five faster than Gaussian Processes, demonstrating the potential of neural processes for the nightly Rubin alert stream. Attentive Neural Processes avoid the overconfidence of standard neural networks and the underconfidence of Gaussian Processes, delivering sharp, well-calibrated uncertainties. This work establishes the neural process family as a scalable, probabilistic foundation for real-time transient science in the Rubin era.
• Abstract（参考訳）: 地球からの天体物理学的な観測は、天気、環境、科学的な制約が伴い、まばらで不規則な光曲線に繋がる。 Vera C. Rubin Observatory Legacy Survey of Space and Timeの前夜には、そのデータセットは、一過性の科学に前例のない機会を提供する。 しかし、重要な課題は6つのバンドのケイデンス、スパース、不規則さであり、推論を制限している。 補間はガウス過程を標準としてこれを緩和するのに役立つが、バンド間の相関に苦しむため、プリミティブカーネルの仕様が必要であり、各光曲線に個別に適合しなければならないため、スケーリングが不十分である。 本稿では,ガウス過程の確率的フレームワークとディープラーニングのスケーラビリティを組み合わせた,光曲線再構成のためのニューラルプロセスファミリを紹介する。 多様なシミュレートされたトランジェントをメタラーニングすることで、Attentive Neural Processsは計算のバルクをトレーニングにシフトし、クラスに依存しないモデルで高速で償却された推論を可能にする。 15のトランジェントなクラスにわたる現実的なRubinケイデンスに基づいて評価すると、最適化されていないAttentive Neural Processでさえ、すべてのベンチマーク -- ガウス的プロセスとニューラルネットワークのスイート -- を、回帰品質、天体物理学的特徴回復、確率的キャリブレーションにまたがって、テストされたすべてのメトリック上で一貫して上回っていることが分かる。 我々のモデルは、すべてのバンドをマイクロ秒で同時に補間し、次の最強のニューラルベンチマークよりも4桁以上高速で、ガウスプロセスより5桁高速で、夜間のルビン警告ストリームのニューラルプロセスの可能性を示す。 注意深いニューラル・プロセスは、標準ニューラルネットワークの過信とガウス・プロセスの過信を回避し、鋭くよく校正された不確実性をもたらす。 この研究は、ルービン時代のリアルタイム・トランジェント・サイエンスのスケーラブルで確率的な基礎として、ニューラル・プロセス・ファミリーを確立した。

関連論文リスト

• Bayesian Interpolating Neural Network (B-INN): a scalable and reliable Bayesian model for large-scale physical systems [0.8593015118377854]
  本稿ではベイズ補間ニューラルネットワーク(B-INN)と呼ばれるスケーラブルで信頼性の高いベイズ代理モデルを提案する。 B-INNは、高次理論とテンソル分解と交互方向アルゴリズムを組み合わせることで、予測精度を損なうことなく、効果的な次元削減を実現する。 数値実験により、B-INNは20倍から1万倍の速度で安定な不確実性推定を行うことができることが示された。
  論文  参考訳（メタデータ） (2026-01-30T11:38:42Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
  我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。 実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-23T14:18:39Z)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Light curve completion and forecasting using fast and scalable Gaussian processes (MuyGPs) [0.0]
  商用オフザシェルフ(COTS)カメラによる地上観測は、高精度の機器に比べて安価である。 ノイズの多い観測と組み合わされたセンサの可用性は、ギャップの多い時系列データを生成することができる。 ディープニューラルネットワーク(DNN)は、複雑な非線形埋め込みを学習する経験的成功によって、選択のツールとなっている。
  論文  参考訳（メタデータ） (2022-08-31T01:52:00Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Predicting atmospheric optical properties for radiative transfer computations using neural networks [0.0]
  我々は、現代の放射パラメータ化(RRTMGP)をエミュレートするためにニューラルネットワークを訓練することで、ガス光学特性の機械学習に基づくパラメトリゼーションを開発する。 我々のニューラルネットワークベースのガス光学パラメトリゼーションは、ニューラルネットワークのサイズによって、RRTMGPの最大4倍高速である。 機械学習に基づくパラメトリゼーションは、高い精度を維持しつつ、放射移動計算を高速化することができると結論付けている。
  論文  参考訳（メタデータ） (2020-05-05T15:00:58Z)

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。