論文の概要: SPEAR NeXT Causal Latent Forecasting Across Multiple Horizons for Spectral Temporal Earth Representation Learning

• arxiv url: http://arxiv.org/abs/2609.16871v1
• Date: Tue, 15 Sep 2026 09:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.426111
• Title: SPEAR NeXT Causal Latent Forecasting Across Multiple Horizons for Spectral Temporal Earth Representation Learning
• Title（参考訳）: SPEAR NeXT Causal Latent Preecasting Across Multiple Horizons for Spectral Temporal Earth Representation Learning (特集:情報ネットワーク)
• Abstract要約: SPEAR NeXTは、コンパクトな画素単位のマルチモーダルスペクトル時間基底モデルとして導入された。 瞬時状態は、光学、レーダー、環境観測から訓練済みのSPEARモデルによって32次元のコンパクトな埋め込みに符号化される。 それらの時間的進化は、先駆的な観測から複数の将来の潜伏状態を予測する、因果的にマスクされたトランス前者によってモデル化される。
• 参考スコア（独自算出の注目度）: 2.340654903789666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth observation is inherently dynamic, yet temporal information in many foundation models is learned through reconstruction, invariance, or retrospective sequence summarization. SPEAR NeXT is introduced as a compact pixel-wise multimodal spectral temporal foundation model in which temporal self supervision is formulated as past only, multi horizon latent Earth state prediction. Instantaneous states are first encoded by the pretrained SPEAR model from optical, radar, and environmental observations into compact 32 dimensional embeddings. Their temporal evolution is then modeled by a causally masked Trans former that predicts multiple future latent states from pre ceding observations. Relative temporal order is represented using Rotary Position Embeddings, while month and year embeddings encode seasonal phase and interannual con text.
• Abstract（参考訳）: 地球観測は本質的に動的であるが、多くの基礎モデルの時間情報は、再構成、不変性、あるいは振り返りシーケンスの要約を通じて学習される。 SPEAR NeXTは、時間的自己監督を過去の多重地平線潜在地球状態予測として定式化する、コンパクトな画素単位のマルチモーダルスペクトル時間基底モデルとして導入された。 瞬時状態は、光学、レーダー、環境観測から訓練済みのSPEARモデルによって32次元のコンパクトな埋め込みに符号化される。 それらの時間的進化は、先駆的な観測から複数の将来の潜伏状態を予測する、因果的にマスクされたトランス前者によってモデル化される。 相対時間順は回転位置埋め込みを用いて表されるが、月と年は季節相と年次コンテキストをエンコードする。

関連論文リスト

• TRACE: Retrospective Streaming Generation of Physical Fields under Sparse Structured Sensing [13.955473574617477]
  構造化されたセンシング下での物理分野のための再生再生フレームワークであるTRACEを提案する。 TRACEは学習された連続座標潜在空間において近似ベイズ推定を行い、スパースオフグリッドの測定を生成潜在証拠に変換する。 能動物質、海洋音速場、超新星シミュレーションの実験は、TRACEがフレームワイド生成法と一致するか、超越していることを示している。
  論文  参考訳（メタデータ） (2026-08-26T12:16:01Z)
• Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
  NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。 様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2026-06-27T02:56:46Z)
• Self-Supervised ConvLSTM for Fermi Large Area Telescope Transient Detection [29.577755639815027]
  本稿では,フェルミ・LAT空の終端シミュレーションと自己教師型深層学習を組み合わせることにより,制御環境における過渡ガンマ線現象を検出する枠組みを提案する。 我々は、gtobssimで10年間の合成ユニバースを生成し、シミュレーションされた事象を日次全天的な露出数マップに処理する。 時間的依存関係を学習しながら空間的局所性を保ちながら,シーケンスマップのシーケンスを直接操作するConvLSTMネットワークを採用している。
  論文  参考訳（メタデータ） (2026-05-21T07:45:54Z)
• VMU-Diff: A Coarse-to-fine Multi-source Data Fusion Framework for Precipitation Nowcasting [9.702321405779513]
  既存の手法は、決定論的または確率論的モデルを構築するために、単一ソースのレーダーデータに依存している。 本稿では,新しい粗大な視覚マンバUnetと残留拡散(VMU-Diff)に基づく降水処理フレームワークを提案する。 SWANデータセットを用いた実験により,最先端手法による手法の改良が実証された。
  論文  参考訳（メタデータ） (2026-05-14T09:05:30Z)
• Densification and forecasting of Sentinel-2 time series from multimodal SAR and Optical satellite data using deep generative models [40.97723509882159]
  衛星画像時系列の時間的密度化と再構成に焦点が当てられている。 本研究では,Sentinel-2時系列の密度化と予測のための確率論的ディープラーニングフレームワークを提案する。 既存のほとんどの作品とは異なり、生成した画像の不確実性に焦点を当てることを提案する。
  論文  参考訳（メタデータ） (2026-05-05T19:27:29Z)
• SELDON: Supernova Explosions Learned by Deep ODE Networks [0.06732575555508598]
  連続時間予測AIモデルは、1日に数千のオブジェクトに対してミリ秒スケールの推論を提供することができるため、興味深い。 本稿では,スパースパネルと不規則な時間サンプリング(ガッピー)天体物理学的な光曲線のパネルのための,新しい連続時間変分オートエンコーダSELDONを提案する。
  論文  参考訳（メタデータ） (2026-03-04T18:57:21Z)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Understanding Transformers for Time Series: Rank Structure, Flow-of-ranks, and Compressibility [90.894232610821]
  我々は、ランク構造のレンズを通してトランスフォーマーを解析する。 時系列埋め込みは急激な減衰特異値スペクトルを示すことを示す。 関連する$Q/K/V$プロジェクションが正確な低ランク近似を持つことを示す。
  論文  参考訳（メタデータ） (2025-10-02T23:56:17Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)

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。