論文の概要: TransitNet: A Compact Attention-Augmented Deep Learning Framework for Low-SNR Transit Blind Searches

• arxiv url: http://arxiv.org/abs/2606.18932v1
• Date: Wed, 17 Jun 2026 11:15:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.124026
• Title: TransitNet: A Compact Attention-Augmented Deep Learning Framework for Low-SNR Transit Blind Searches
• Title（参考訳）: TransitNet: 低SNRトランジットブラインド検索のためのコンパクトアテンション強化ディープラーニングフレームワーク
• Authors: Xingchen Yan, Jian Ge, Qingtian Liu, Kevin Willis, Quanquan Hu, Jiapeng Zhu,
• Abstract要約: 我々は低SNR通過ブラインドサーチのためのコンパクトな注目度学習フレームワークであるTransitNetを提案する。 未確認のケプラー目標から構築されたリカバリベンチマークでは、TransitNetは6から8までの挑戦的なSNR範囲で95.2%の精度を達成した。 このモデルでは、確認された34個のケプラー惑星を平均的な絶対通過中点誤差1.24時間で回収することに成功した。
• 参考スコア（独自算出の注目度）: 3.046845686950999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivated by the observational incompleteness of intermediate-to-long-period Earth-size planets, we present TransitNet, a compact attention-augmented deep-learning framework for low-SNR transit blind searches. To enable realistic method development and objective threshold calibration under blind-search conditions, we develop a unified dataset construction, benchmarking, and threshold-selection framework. On recovery benchmarks constructed from unseen Kepler targets, TransitNet attains 95.2 percent accuracy in the challenging SNR range of 6 to 8 and outperforms both TLS and BLS, achieving ROC-AUC and PR-AP values of 0.974 and 0.982, respectively. In an injected Earth-size and sub-Earth-size transit recovery experiment, TransitNet achieves a recovery rate of 93.0 percent, substantially exceeding those of TLS (63.1 percent) and BLS (60.0 percent). In addition to detection, TransitNet provides attention-based estimates of transit windows and midpoints. On an independent evaluation set, 97.4 percent of injected transits are fully covered by the estimated transit window. Applied to real Kepler observations, the model successfully recovers all 34 selected confirmed Kepler planets, with a mean absolute transit midpoint error of 1.24 hours. The model combines a compact footprint of about 1.5 MB with high inference efficiency, yielding speed-ups of about 12 to 25 times relative to CPU-TLS and about 4 to 5 times relative to CPU-BLS. These results demonstrate that TransitNet provides an accurate, scalable, and computationally efficient framework for low-SNR transit blind searches in the tested regime and motivate its extension to longer-period Earth-size planet searches.
• Abstract（参考訳）: 我々は、中-長周期の地球規模の惑星の観測の不完全性に触発され、低SNR通過ブラインドサーチのためのコンパクトな注意強化深層学習フレームワークであるTransitNetを提示する。 ブラインド検索条件下での現実的な手法開発と客観的しきい値校正を実現するため,統合されたデータセット構築,ベンチマーク,しきい値選択フレームワークを開発した。 ケプラー目標から構築されたリカバリベンチマークでは、TransitNetは6から8の挑戦的なSNR範囲で95.2%の精度を達成し、それぞれROC-AUCとPR-APの0.974と0.982を達成している。 注入された地球規模・地球規模のトランジット回収実験では、トランジットネットの回収率は93.0%であり、TLS (63.1%) とBLS (60.0%) を大きく上回っている。 検出に加えて、TransitNetは、トランジットウィンドウとミッドポイントの注意に基づく推定を提供する。 独立した評価セットでは、注入されたトランジットの97.4%が、推定されたトランジットウィンドウによって完全にカバーされている。 実際のケプラー観測に応用されたモデルでは、34個の確認されたケプラー惑星を平均的な絶対通過中点誤差1.24時間で回収することに成功した。 このモデルは1.5MB程度のコンパクトなフットプリントと高い推論効率を組み合わせ、CPU-TLSの約12倍から25倍、CPU-BLSの約4倍から5倍のスピードアップをもたらす。 これらの結果は、トランジットネットが試験体制における低SNRトランジットブラインドサーチのための正確でスケーラブルで計算に効率的なフレームワークを提供し、より長い周期の地球規模の惑星サーチへの拡張を動機付けていることを示している。

関連論文リスト

• DELOS: Detecting Shallow Transits in Kepler Photometry Using a Contrastive-Learning Framework [3.4329664843691314]
  cOntrastive Scoring (DELOS) は、ケプラー光度測定において浅いトランジットを探すために設計された、対照的な学習ベースのフレームワークである。 事前に検出されたしきい値交差イベントに頼ることなく、試験期間を通じてスコア周期図を生成する。 ボックスフィットリーストスクエア(BLS)に比べて15.5%、低信号-雑音比(低SNR)ではトランジットリーストスクエア(TLS)に比べて11.25%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-05-28T06:22:22Z)
• Track A*: Fast Visibility-Aware Trajectory Planning for Active Target Tracking [1.8297494098768168]
  我々は、視認可能な目標追跡のためのオフライン検索ベースの軌道プランナーであるTrack A star(TA star)を提示する。 TA星は、層状非巡回グラフ(D)探索と、境界体積に対するクロスタイム障害物距離キャッシング、層当たりのビームプルーニング、マルチレイ可視性評価器の3つのエンジニアリング最適化を組み合わせた。 実験の結果、計算コストのごく一部で、頑健で、ほぼベースラインに近い可視性を示す。
  論文  参考訳（メタデータ） (2026-05-06T18:09:15Z)
• Scalable Transit Delay Prediction at City Scale: A Systematic Approach with Multi-Resolution Feature Engineering and Deep Learning [1.065661841579261]
  既存の遅延予測システムは、手作りの機能に依存し、再利用可能なアーキテクチャを設計する方法についてはほとんどガイダンスを提供していない。 本稿では,マルチレゾリューション機能工学,次元減少,深層学習を組み合わせた都市規模の予測パイプラインを提案する。 クラスタ認識機能を備えたグローバルLSTMは、精度と効率の最良のトレードオフを実現し、トランスフォーマーモデルを1852%から52%向上させる。
  論文  参考訳（メタデータ） (2026-01-26T14:30:50Z)
• Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
  CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。 その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
  論文  参考訳（メタデータ） (2025-11-12T00:13:37Z)
• Machine Learning-Based Classification of Vessel Types in Straits Using AIS Tracks [0.0]
  本稿では,AISデータのみを用いて移動船を分類する機械学習パイプラインを提案する。 我々は、バルト海のボルンホルム海峡をカバーするデンマーク海事局から8日間の歴史的AISを分析した。
  論文  参考訳（メタデータ） (2025-09-09T19:52:43Z)
• The GPU Phase Folding and Deep Learning Method for Detecting Exoplanet Transits [4.281682100876565]
  GPFCは、低信号対雑音比のトランジット信号を増幅するためにGPU上で並列化された高速な折り畳みアルゴリズムである。 CNNは200万の合成光度曲線をトレーニングし、それぞれの周期で惑星の信号の可能性を示すスコアを報告した。 GPFCは、主要なBox-fitting Least Squares (BLS) 法よりも3桁の速度を改善する。
  論文  参考訳（メタデータ） (2023-12-04T17:19:37Z)
• SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
  探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。 SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。 大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
  論文  参考訳（メタデータ） (2022-07-10T11:18:26Z)
• ERNIE-SPARSE: Learning Hierarchical Efficient Transformer Through Regularized Self-Attention [48.697458429460184]
  情報ボトルネック感度と異なる注目トポロジ間の不整合の2つの要因がスパース変換器の性能に影響を及ぼす可能性がある。 本稿では,ERNIE-Sparseというモデルを提案する。 i) 局所情報とグローバル情報を逐次統一する階層スパース変換器(HST) と、(ii) 注意トポロジの異なる変換器の距離を最小化する自己注意正規化(SAR) の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-03-23T08:47:01Z)

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。