論文の概要: Few-Shot Prediction for Pulsar Noise with Long Short-Term Memory Network

• arxiv url: http://arxiv.org/abs/2606.03574v1
• Date: Tue, 02 Jun 2026 12:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.000023
• Title: Few-Shot Prediction for Pulsar Noise with Long Short-Term Memory Network
• Title（参考訳）: 長期記憶ネットワークを用いたパルサーノイズのFew-Shot予測
• Authors: Qingye Tang, Dechao An, Haoran Peng, Yuqi Ouyang,
• Abstract要約: 本研究は,パルサーの時間残差を限られたデータで予測する新しい手法を提案する。 提案手法は,モデルに依存しないメタ学習アルゴリズムを用いて,Long Short-Term Memory (LSTM) ネットワークを最適化する。 我々の軽量構造は16.86MBのCPUメモリと18ミリ秒の1ステップ残差予測のみである。
• 参考スコア（独自算出の注目度）: 4.611079243361506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes a novel solution to predict pulsar timing residuals with limited data, addressing the critical challenge of data scarcity across spin-frequency subgroups of millisecond pulsars in PTA datasets. The proposed solution applies a Long Short-Term Memory (LSTM) network optimized using the model-agnostic meta-learning algorithm, enabling rapid adaptation to new frequency domain by fine-tuning the LSTM network with only a few-shot of ground truth timing residuals. Particle swarm optimization algorithm is also used for automatic hyperparameter optimization, leading to improved prediction accuracy. Our solution, evaluated on the second data release of the International Pulsar Timing Array (IPTA), demonstrates robust generalization with accurate predictions in three metrics across high-frequency test frequency domains, while requiring only 10% of the timing residuals from these domains for model fine-tuning. Furthermore, our lightweight structure only costs 16.86 MB CPU memory and 18 milliseconds for single-step residual prediction. All these characteristics make our solution highly suitable for real-world applications, where effective and real-time predictions of pulsar timing residuals are essential-particularly in resource-constrained environments with limited computational power, memory, or energy availability.
• Abstract（参考訳）: 本研究は、PTAデータセットにおけるミリ秒パルサーのスピン周波数サブグループ間のデータ不足の重大な問題に対処するため、限られたデータでパルサータイミング残差を予測する新しいソリューションを提案する。 提案手法は,モデルに依存しないメタラーニングアルゴリズムを用いて最適化されたLong Short-Term Memory (LSTM) ネットワークを適用し,LSTMネットワークの微調整による新しい周波数領域への迅速な適応を可能にする。 粒子群最適化アルゴリズムは自動ハイパーパラメータ最適化にも使われ、予測精度が向上した。 提案手法はIPTA(International Pulsar Timing Array)の第2データリリースで評価され,高頻度テスト周波数領域にまたがる3つの測定値で精度の高い予測を行うとともに,モデル微調整のためにこれらの領域からの時間残差の10%しか必要とせず,ロバストな一般化を示す。 さらに、我々の軽量構造は1ステップ残差予測のために16.86MBのCPUメモリと18ミリ秒しかかからない。 これらの特徴は、実世界の応用に非常に適しており、特に計算能力、メモリ、エネルギー可用性に制限のある資源制約環境において、パルサータイミング残差の有効かつリアルタイムな予測が不可欠である。

関連論文リスト

• SPECTRA: An Efficient Spectral-Informed Neural Network for Sensor-Based Activity Recognition [11.283502671153109]
  広範コンピューティングにおけるリアルタイムセンサベースのアプリケーションは、低レイテンシのプライバシと効率的なインタラクションを保証するために、エッジデプロイ可能なモデルを必要とする。 SPECTRAは、短時間のフーリエ変換STFT特徴抽出とチャネルワイズ・セルフアテンションを統合し、実エッジランタイムとメモリ制約下でのスペクトル時間依存性をキャプチャする。 注目プーリングを施したコンパクトな双方向GRUは、精度を保ちながら、低コストでダウンストリームモデルの負担を軽減する。
  論文  参考訳（メタデータ） (2026-03-27T14:45:27Z)
• Optimizing Spectral Prediction in MXene-Based Metasurfaces Through Multi-Channel Spectral Refinement and Savitzky-Golay Smoothing [2.9649783577150832]
  MXeneベースの太陽吸収器の電磁スペクトルの予測は計算集約的な課題であり、伝統的にフルウェーブ・ソルバを用いて処理される。 本研究では,移動学習,多チャンネルスペクトル改善,Savitzky-Golay平滑化を取り入れた効率的なディープラーニングフレームワークを提案する。 提案するフレームワークは従来の解法に代わるスケーラブルで効率的な代替手段であり、ナノフォトニクス設計における高速なスペクトル予測の候補として位置づけられている。
  論文  参考訳（メタデータ） (2026-02-09T09:09:32Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• FAST: Topology-Aware Frequency-Domain Distribution Matching for Coreset Selection [19.148841575715746]
  コアセット選択はデータセットをコンパクトで代表的なサブセットに圧縮し、ディープニューラルネットワークをトレーニングする際のエネルギーと計算負担を軽減する。 DNNフリーな分散マッチングコアセット選択フレームワークであるFASTを提案する。 FASTは評価された全てのベンチマークで最先端のコアセット選択法を著しく上回り、平均精度は9.12%向上した。
  論文  参考訳（メタデータ） (2025-11-22T09:24:57Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• 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)

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。