論文の概要: T-SAR-JEPA: Self-Supervised Temporal Anomaly Detection in SAR Amplitude Stacks via Latent Prediction

• arxiv url: http://arxiv.org/abs/2606.05700v1
• Date: Thu, 04 Jun 2026 04:41:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.561127
• Title: T-SAR-JEPA: Self-Supervised Temporal Anomaly Detection in SAR Amplitude Stacks via Latent Prediction
• Title（参考訳）: T-SAR-JEPA:潜時予測によるSAR振幅スタックの自己監督時間異常検出
• Authors: Kerod Woldesenbet, Abem Woldesenbet,
• Abstract要約: T-SAR-JEPAは、潜時予測によるSAR振幅スタックの時間的異常検出のための自己教師型フレームワークである。 DFC 2026データセット(300の時系列、3つのAOI)では、T-SAR-JEPAがROC-AUCの77.0%を獲得し、RX、PaDiM、Linear AR、LSTMベースラインを上回っている。
• 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: We present T-SAR-JEPA, a self-supervised framework for temporal anomaly detection in SAR amplitude stacks via latent prediction. A ViT-Base/16 encoder from SAR-JEPA is domain-adapted on 39,300 Capella patches using local masked reconstruction with gradient feature prediction. A temporal transformer with sinusoidal time encoding forecasts future latent states from K=7 acquisitions, with progressive unfreezing substantially reducing validation loss. The model operates on amplitude alone; InSAR coherence serves exclusively as independent pseudo-ground-truth. On the DFC 2026 dataset (300 time-series, three AOIs), T-SAR-JEPA achieves ROC-AUC of 77.0% on the Hawaii eruption window, outperforming RX, PaDiM, Linear AR, and LSTM baselines (~50%). Spatial coherence of 99.9% (p < 0.001, permutation test) confirms structured detections. Code: https://github.com/TerraLatent/t-sar-jepa
• Abstract（参考訳）: 本稿では,SAR振幅スタックにおける時間的異常検出のための自己教師型フレームワークであるT-SAR-JEPAを提案する。 SAR-JEPA の ViT-Base/16 エンコーダは 39,300 Capella パッチに, 勾配特性予測による局所マスク再構成を用いてドメイン適応されている。 正弦波時間を符号化した時間変換器は、K=7の取得から将来の潜伏状態を予測する。 モデルは振幅のみで動作するが、InSARコヒーレンスは独立した擬似地下構造としてのみ機能する。 DFC 2026データセット(300の時系列、3つのAOI)では、T-SAR-JEPAはハワイの噴火窓でROC-AUCを77.0%達成し、RX、PaDiM、Linear AR、LSTMベースライン(約50%)を上回っている。 99.9%(p < 0.001, 置換試験)の空間コヒーレンスにより、構造的検出が確認された。 コード:https://github.com/TerraLatent/t-sar-jepa

関連論文リスト

• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• SPLICE: Latent Diffusion over JEPA Embeddings for Conformal Time-Series Inpainting [0.5076419064097734]
  時系列計算のための生成モデルは、強い復元精度を実現するが、有限サンプル信頼性保証は提供しない。 SPLICEは分散のないオンライン適応予測区間と遅延生成計算を結合したモジュラーフレームワークである。 プールされたJEPAエンコーダは、9つのフィードでトレーニングされ、4つの見えないドメインに転送される。
  論文  参考訳（メタデータ） (2026-04-30T18:27:08Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Temporal Kolmogorov-Arnold Networks (T-KAN) for High-Frequency Limit Order Book Forecasting: Efficiency, Interpretability, and Alpha Decay [0.0]
  本稿では,標準LSTMの固定された線形重みを学習可能なB-スプライン活性化関数に置き換えるために,時間的コルモゴロフ・アルノルドネットワーク(T-KAN)を導入する。 T-KANネットワークの有効性は低く、-82.76%のDeepLOBが1.0bpsの取引コストでダウンしたのに対し、132.48%のリターンをもたらす。
  論文  参考訳（メタデータ） (2026-01-05T17:59:42Z)
• Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
  マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。 データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。 アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
  論文  参考訳（メタデータ） (2025-09-21T14:12:28Z)
• WGAST: Weakly-Supervised Generative Network for Daily 10 m Land Surface Temperature Estimation via Spatio-Temporal Fusion [3.344876133162209]
  筆者らは,MODIS,Landsat 8,Sentinel-2のSSupervise-Temporal Fusionによる1日10mLST分解能の弱い遺伝的ネットワークWGASTを提案する。 特徴抽出、融合、LST再構成、ノイズ抑制の4段階からなる、条件付き生成対向アーキテクチャを採用する。 実験により、WGASTは定量評価と定性評価の両方において既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-08-08T17:49:46Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Input-Specific Robustness Certification for Randomized Smoothing [76.76115360719837]
  本稿では,ロバストネス認証の費用対効果を達成するために,インプット・スペクティブ・サンプリング(ISS)の高速化を提案する。 ISSは、認定半径0.05の限られたコストで3回以上、認定をスピードアップすることができる。
  論文  参考訳（メタデータ） (2021-12-21T12:16:03Z)
• StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
  ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。 現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。 本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
  論文  参考訳（メタデータ） (2020-11-12T14:57:44Z)

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。