論文の概要: Hierarchical Multi-to-Single-Modal Knowledge Distillation for Disruption Prediction in EAST

• arxiv url: http://arxiv.org/abs/2607.04241v1
• Date: Sun, 05 Jul 2026 11:34:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.87409
• Title: Hierarchical Multi-to-Single-Modal Knowledge Distillation for Disruption Prediction in EAST
• Title（参考訳）: EASTにおける破壊予測のための階層型マルチ・シングルモード知識蒸留法
• Abstract要約: プラズマ破壊は時間的安全にとって重要な脅威であり、既存のデータ駆動予測器は主に時系列診断信号に依存している。 同期型マルチモーダルデータセット上での破壊予測のための階層型マルチツーシングルモーダル知識蒸留フレームワークを提案する。 その結果,提案フレームワークは推論コストを大幅に削減しつつ,マルチモーダル学習の差別的優位性を保ち,EASTにおける効率的な破壊予測のための効果的な経路を提供することができた。
• 参考スコア（独自算出の注目度）: 16.625917870779237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plasma disruption is a critical threat to tokamak safety. Existing data-driven predictors mainly rely on time-series diagnostic signals, while visible images provide complementary spatial cues including plasma deformation, local brightening, and radiation-structure evolution. Although the image modality improves the model's discriminative capability, it also substantially increases the computational cost during inference. To address this issue, we propose a hierarchical multi-to-single-modal knowledge distillation framework for disruption prediction on a synchronized EAST multimodal dataset. During training, visible images and time-series signals are used to train a multimodal teacher, which learns disruption precursor representations through Transformer-based encoders and a prototype-guided spatiotemporal hypergraph module. During inference, only the time-series student is retained, with multimodal knowledge transferred through graph-structure-level, representation-level, and decision-level distillation. On the 640-discharge EAST dataset, the results demonstrate that the proposed framework can preserve the discriminative advantages of multimodal learning while substantially reducing inference cost, and providing an effective route for efficient disruption prediction in EAST. The source code of this paper will be released on https://github.com/Event-AHU/OpenFusion.
• Abstract（参考訳）: プラズマ破壊はトカマクの安全にとって重要な脅威である。 既存のデータ駆動予測器は、主に時系列診断信号に依存し、可視画像は、プラズマの変形、局所的な明るさ化、放射線構造の変化などの相補的な空間的手がかりを提供する。 画像のモダリティはモデルの識別能力を向上させるが、推論時の計算コストを大幅に向上させる。 この問題に対処するために、同期EASTマルチモーダルデータセット上での破壊予測のための階層型マルチツーシングルモーダル知識蒸留フレームワークを提案する。 トレーニング中、可視画像と時系列信号を使用してマルチモーダル教師を訓練し、Transformerベースのエンコーダとプロトタイプガイド付き時空間ハイパーグラフモジュールを通じて破壊前兆表現を学習する。 推論の間、時系列の学生のみが保持され、グラフ構造レベル、表現レベル、決定レベルの蒸留を通じて多モーダルな知識が伝達される。 The 640-discharge EAST dataset, the results showed that the proposed framework can maintain the discriminative advantage of multimodal learning while significantly reduce inference cost and provide a effective route for efficient disrupt prediction in EAST。 この論文のソースコードはhttps://github.com/Event-AHU/OpenFusion.comで公開される。

関連論文リスト

• Multi-Scale Temporal Domain Alignment for Federated Video Domain Adaptation [15.040131883074572]
  本稿では,複数の解像度で時間情報を活用する新しいフレームワークを提案する。 Epic-Kitchens-55とDaily-DAの実験は最先端のパフォーマンスを示し、現在のFDA法よりも28.47%向上している。
  論文  参考訳（メタデータ） (2026-08-29T10:43:30Z)
• EVAS: Efficient Multimodal Temporal Forgery Localization via Audio-Visual Synergy and Steered Boundary Calibration [14.088182834458843]
  本稿では,時間的フォージェリローカライゼーションのためのエンドツーエンドフレームワークEVASを提案する。 ステアリング境界校正を実現するために境界対応リファインメント戦略を導入する。 EVASは、最先端の平均ローカライゼーション精度と、3つのベンチマークデータセットの平均リコールを達成する。
  論文  参考訳（メタデータ） (2026-07-05T19:33:21Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Multimodal LLM-Guided Semantic Correction in Text-to-Image Diffusion [52.315729095824906]
  MLLM Semantic-Corrected Ping-Pong-Ahead Diffusion (PPAD) は,マルチモーダル大言語モデル(MLLM)を推論中の意味的オブザーバとして導入する新しいフレームワークである。 中間世代をリアルタイムに分析し、潜在意味的不整合を識別し、フィードバックを制御可能な信号に変換し、残りの認知ステップを積極的に導く。 大規模な実験ではPPADの大幅な改善が示されている。
  論文  参考訳（メタデータ） (2025-05-26T14:42:35Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• DConAD: A Differencing-based Contrastive Representation Learning Framework for Time Series Anomaly Detection [12.658792855097198]
  時系列異常は、さまざまなアプリケーション領域にわたるリスク識別と障害検出において重要な役割を担っている。 ラベルが不要なため,教師なし学習手法が普及している。 時系列異常検出のための差分型コントラスト表現学習フレームワーク(DConAD)を提案する。
  論文  参考訳（メタデータ） (2025-04-19T06:35:06Z)
• ADT: Tuning Diffusion Models with Adversarial Supervision [16.974169058917443]
  拡散モデルは、真のデータ分布を近似するために前方ノイズ発生過程を反転させることで、優れた画像生成を実現している。 本稿では、最適化中の推論プロセスを刺激し、最終的な出力をトレーニングデータと整合させるために、Adrial Diffusion Tuning (ADT)を提案する。 ADTは、固定されたトレーニング済みのバックボーンと軽量なトレーニング可能なパラメータを備えたシアム-ネットワーク識別器を備えている。
  論文  参考訳（メタデータ） (2025-04-15T17:37:50Z)
• Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data [1.024113475677323]
  太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。 本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介する。 提案手法は, 太陽フレア (SWAN-SF) 多変量時系列ベンチマークデータセットにおいて, 有望な太陽フレア予測結果を示すものである。
  論文  参考訳（メタデータ） (2024-10-01T01:20:47Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Continual Vision-Language Representation Learning with Off-Diagonal Information [112.39419069447902]
  CLIPのようなマルチモーダルなコントラスト学習フレームワークは通常、トレーニングに大量の画像テキストサンプルを必要とする。 本稿では,ストリーミングデータを用いた連続CLIPトレーニングの実現可能性について論じる。
  論文  参考訳（メタデータ） (2023-05-11T08:04:46Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
  クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。 既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。 マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T11:40:40Z)

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。