論文の概要: Leveraging Multimodality for Real-Time Classification of Transients and Variables found by the Zwicky Transient Facility
- arxiv url: http://arxiv.org/abs/2607.00228v1
- Date: Tue, 30 Jun 2026 22:15:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.652486
- Title: Leveraging Multimodality for Real-Time Classification of Transients and Variables found by the Zwicky Transient Facility
- Title（参考訳）: ジウィッキー過渡施設における過渡・変動のリアルタイム分類のためのマルチモーダリティの活用
- Abstract要約: リアルタイム階層分類のための光曲線,メタデータ,画像を組み合わせたORACLE-2モデルを提案する。
追加のモダリティを組み込むことで、常に分類性能が向上することを示す。
これらの結果から,複数モードの組み合わせにより早期分類が向上し,高ボリュームな警告ストリームのより効果的なトリアージが可能となった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern time-domain surveys such as the Zwicky Transient Facility (ZTF) generate hundreds of thousands of alerts each night, making real-time decisions for follow-up observations a central challenge in time-domain astronomy. Robust early classification is crucial for making informed decisions, but is hindered by sparse light curves and degeneracies between classes. In this work, we leverage multimodality to substantially improve real-time classification and demonstrate the practicality of our approach by deploying our model on the ZTF alert stream. Building on the Online Ranked Astrophysical CLass Estimator (ORACLE), we introduce the ORACLE-2 models, which combine light curves, metadata, and images for real-time hierarchical classification. Using both real and simulated datasets, we show that incorporating additional modalities consistently improves classification performance. On observations from ZTF's Bright Transient Survey, our best-performing model, ORACLE-2 Omni, achieves a macro F1 score of 0.73 -- an improvement of up to 11% over models using light curves and metadata alone, and up to 40% over light-curve-only models, with the strongest gains realized at early times. To demonstrate applicability to the Legacy Survey of Space and Time, which will increase alert volume by more than an order of magnitude, we train a light curve + metadata variant on the simulated ELAsTiCC dataset. This model achieves a macro F1 score of 0.88, an improvement of up to 13% over the light-curve-only variant, matching the performance of other state-of-the-art models. Finally, we quantify the trade-offs between performance and throughput, identifying regimes where multimodal approaches offer the greatest benefit. These results show that combining multiple modalities improves early-time classification, enabling more effective triage of high-volume alert streams for current and future time-domain surveys.
- Abstract（参考訳）: ジウィッキー・トランジェント・ファシリティ(ZTF)のような現代の時間領域の調査では、毎晩数十万の警報が発生し、追跡観測のリアルタイムな決定が時間領域天文学における中心的な課題となっている。
ロバスト早期分類は情報的決定に不可欠であるが、クラス間の緩やかな光曲線と退化によって妨げられる。
本研究では,ZTFアラートストリーム上にモデルをデプロイすることで,マルチモーダリティを活用してリアルタイム分類を大幅に改善し,アプローチの実践性を実証する。
On the Online Ranked Astrophysical CLass Estimator (ORACLE) 上に構築したORACLE-2モデルは,光曲線,メタデータ,画像を組み合わせてリアルタイム階層分類を行う。
実データとシミュレーションデータの両方を用いて、追加のモダリティを組み込むことで、分類性能が一貫して向上することを示す。
ZTFのBright Transient Surveyの観察では、最高のパフォーマンスモデルであるORACLE-2 OmniがマクロF1スコアの0.73を達成しました。
空間と時間のレガシーサーベイの適用性を示すため、シミュレーションされたERAsTiCCデータセット上で、光曲線+メタデータの変種をトレーニングする。
このモデルは0.88のマクロF1スコアを達成し、光曲線のみの変種よりも最大13%改善し、他の最先端モデルの性能に匹敵する。
最後に、パフォーマンスとスループットのトレードオフを定量化し、マルチモーダルアプローチが最大のメリットをもたらすレシエーションを特定します。
これらの結果から,複数モードを組み合わせることで早期分類が向上し,現在および将来の時間領域調査において,高ボリュームな警告ストリームのより効果的なトリアージが可能となった。
関連論文リスト
- Domain-Informed Multi-View Self-Distillation for Astronomical Light-Curve Representation Learning with JEPA [0.0]
本稿では、不規則な天文学時系列を対象としたドメインインフォームド表現学習フレームワークを提案する。
我々はセマンティックス保存ビュー、不確実性認識トークン化、多視点自己蒸留を組み合わせる。
我々のモデルは16の分類指標のうち15の手作りの特徴より優れています。
論文 参考訳（メタデータ） (2026-06-26T08:35:55Z) - CaC: Advancing Video Reward Models via Hierarchical Spatiotemporal Concentrating [49.94171749437024]
本稿では,ビジョンランゲージモデルに基づく粗大な異常報酬モデルである集中と集中(CaC)を提案する。
フレーム単位のバウンディングボックスアノテーション,時間的異常ウィンドウ,微粒な属性ラベルを備えた,最初の大規模ビデオ異常データセットを構築した。
実験では、CaCは微妙な異常に安定して集中することができ、微細な異常ベンチマークの精度が25.7%向上した。
論文 参考訳（メタデータ） (2026-05-12T08:08:33Z) - Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。
微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。
モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文 参考訳（メタデータ） (2025-09-28T07:07:13Z) - CALM: A Framework for Continuous, Adaptive, and LLM-Mediated Anomaly Detection in Time-Series Streams [0.42970700836450476]
本稿では,リアルタイム異常検出のための新しいエンドツーエンドフレームワークであるCALMを紹介する。
CALMはApache Beam分散処理フレームワーク上に構築されている。
クローズドループで連続的な微調整機構を実装し、異常検出モデルがほぼリアルタイムで進化するデータパターンに適応できるようにする。
論文 参考訳（メタデータ） (2025-08-29T00:27:35Z) - CronusVLA: Towards Efficient and Robust Manipulation via Multi-Frame Vision-Language-Action Modeling [84.51372201195132]
CronusVLAは、単一フレームのVLAモデルをマルチフレームパラダイムに拡張する統合フレームワークである。
CronusVLAは70.9%の成功率で先進的な性能と優れた堅牢性を達成する。
これらの結果は、より強力で堅牢な実世界展開のためのVLAモデルにおける効率的なマルチフレーム適応の可能性を強調している。
論文 参考訳（メタデータ） (2025-06-24T17:30:27Z) - Angles Don't Lie: Unlocking Training-Efficient RL Through the Model's Own Signals [49.17123504516502]
大規模言語モデル(LLM)のためのRFTパラダイムは、均一なデータサンプリングの下で同じクエリが冗長に露出するため、効率が悪い。
グラディエント駆動型アングルインフォームドナビゲーションRLフレームワークを提案する。
モデル固有の角度集中信号を利用することで、GAIN-RLは各エポックにおけるトレーニングデータを動的に選択し、一貫したインパクトのある勾配更新を確実にする。
論文 参考訳（メタデータ） (2025-06-02T21:40:38Z) - Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。
SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
論文 参考訳（メタデータ） (2025-05-10T17:15:49Z) - AstroM$^3$: A self-supervised multimodal model for astronomy [0.0]
本稿では,モデルが複数のモーダルから同時に学習できる自己教師型事前学習手法AstroM$3$を提案する。
具体的には、CLIP(Contrastive Language- Image Pretraining)モデルをトリモーダル設定に拡張し、時系列測光データ、スペクトル、天体物理メタデータの統合を可能にする。
以上の結果から,CLIP事前学習により時系列光度測定の分類性能が向上し,精度が84.6%から91.5%に向上した。
論文 参考訳（メタデータ） (2024-11-13T18:20:29Z) - Visual Fourier Prompt Tuning [63.66866445034855]
本稿では,大規模なトランスフォーマーモデルに適用するための汎用的で効果的な方法として,Visual Fourier Prompt Tuning (VFPT)法を提案する。
提案手法では,高速フーリエ変換を即時埋め込みに取り入れ,空間領域情報と周波数領域情報の両方を調和的に検討する。
提案手法は,2つのベンチマークにおいて,現状のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-11-02T18:18:35Z) - Deep Learning and LLM-based Methods Applied to Stellar Lightcurve Classification [7.592813175419603]
本稿では,変光度曲線の自動分類のための深層学習・大規模言語モデル(LLM)の総合評価を行う。
特にCepheids, RR Lyrae, and eclipsing binariesに重点を置いて, 観測周期と位相分布が分類精度に及ぼす影響について検討した。
LLM, マルチモーダル大言語モデル(MLLM), 大規模音声言語モデル(LALM)の3モデルからなる革新的なシリーズであるStarWhisper LightCurve (LC)を発表した。
論文 参考訳（メタデータ） (2024-04-16T17:35:25Z) - Deep Attention-Based Supernovae Classification of Multi-Band
Light-Curves [0.0]
超新星(SNe)は、他の変動事象のクラスと比較して、比較的珍しい天体である。
マルチバンド光曲線の処理は、非常に不規則なケイデンス、長時間のギャップ、欠落値、低数の観測のために難しい課題である。
SNの異なるマルチバンド光曲線を分類するために,TimeModAttn と呼ばれる深部アテンションモデルを提案する。
第二に、超新星パラメトリックモデル(SPM)に基づくSNマルチバンド光曲線の合成生成モデルを提案する。
論文 参考訳（メタデータ） (2022-01-20T22:48:40Z)
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。