論文の概要: Tokamak-SI: Interpreting Tokamak Discharges with Labeled Catalogs

• arxiv url: http://arxiv.org/abs/2610.32264v1
• Date: Fri, 23 Oct 2026 07:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.418769
• Title: Tokamak-SI: Interpreting Tokamak Discharges with Labeled Catalogs
• Title（参考訳）: トカマクSI:ラベル付きカタログによるトカマク放電の解釈
• Abstract要約: Tokamak-SIは、多くの初期の研究のラベルとラベルの手法を1つのデータセットに組み合わせている。 DIII-Dトカマクの閉じ込め、剥離、アルフェン固有モード(AE)、エッジローカライズドモード(ELM)、ソートゥース(英語版)、ティアリングモード(TM)、抵抗壁モード(英語版)の観測をカバーしている。
• 参考スコア（独自算出の注目度）: 2.1928967852818935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finding which phenomena occur in a tokamak discharge, and when, is often a manual task. Previous efforts at labeling events have been task-specific, each with its own corpus of data. We introduce Tokamak-SI, which combines the labels and labeling methods of many earlier studies into a single scalable, time-aligned, and categorical dataset covering observations from confinement, detachment, alfven eigenmodes (AE), edge localized modes (ELM), sawtooth, tearing modes (TM), and resistive wall modes in DIII-D tokamak. Models based on this, which can extend the labels to new shots, match or beat earlier detectors on its labels, including for AE, ELM, and TM detection. Tokamak-SI is intended to enable task-specific benchmarking, physics-searchable archives, and direct identification of key events during an experiment.
• Abstract（参考訳）: トカマク放電のどの現象がいつ起こるかを見つけることは、しばしば手作業である。 イベントをラベル付けするためのこれまでの取り組みは、それぞれ独自のコーパスを持つタスク固有だった。 Tokamak-SIは, 従来の多くの研究のラベルとラベルを, 拘束, 脱落, エルフヴン固有モード (AE), エッジローカライズドモード (ELM), ソートゥース, 引裂モード (TM), 抵抗性壁モード (DIII-Dトカマク) から観測した, 単一の拡張性, 時間的, カテゴリー的データセットに組み合わせたものである。 これに基づくモデルでは、ラベルを新しいショットに拡張したり、AE、EMM、TM検出など、ラベルの以前の検出器にマッチしたり、打ち負かしたりすることができる。 Tokamak-SIは、タスク固有のベンチマーク、物理検索可能なアーカイブ、実験中の重要なイベントの直接識別を可能にすることを目的としている。

関連論文リスト

• Label Collapse in Diffusion Language Model In-Context Learning [5.598584056032923]
  In-context Learning (ICL)は、いくつかのラベル付きデモをクエリに先立って、大きな言語モデルを新しいタスクに適用する。 モデルがクエリ非依存ラベルを生成するフェールモードとしてラベル崩壊を定義する。 テスト対象の8-9Bスケールでは,アーキテクチャ的に普遍的であることを示す。
  論文  参考訳（メタデータ） (2026-10-12T14:17:48Z)
• SingleStrip: learning skull-stripping from a single labeled example [1.54032564881154]
  ドメインランダム化と自己学習を用いて3次元頭蓋骨切断ネットワークを訓練する。 ネットワークを微調整するために上位の擬似ラベルを選択する。 この戦略は、新しい解剖学的構造や新しいイメージング技術を含む研究の進行を遅らせるラベル付けの負担を軽減する可能性がある。
  論文  参考訳（メタデータ） (2025-08-14T09:05:19Z)
• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• Seg2Box: 3D Object Detection by Point-Wise Semantics Supervision [15.996707255179668]
  LiDARに基づく3Dオブジェクト検出とセマンティックセグメンテーションは、3Dシーン理解において重要なタスクである。 従来の検出と方法は、バウンディングボックスラベルとセマンティックマスクラベルを通じてモデルを監督する。 本稿では,意味ラベルのみを用いた3次元物体検出を監督することにより,冗長性を解消することを目的とする。
  論文  参考訳（メタデータ） (2025-03-21T02:39:32Z)
• HPL-ESS: Hybrid Pseudo-Labeling for Unsupervised Event-based Semantic Segmentation [47.271784693700845]
  本稿では,教師なしイベントベースセマンティックセマンティックセグメンテーション(HPL-ESS)のためのハイブリッド擬似ラベルフレームワークを提案する。 提案手法は,DSEC-Semanticデータセットにおいて,既存の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-25T14:02:33Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Ground Truth Inference for Weakly Supervised Entity Matching [76.6732856489872]
  弱監督タスクのための単純だが強力なラベル付けモデルを提案する。 次に、エンティティマッチングのタスクに特化してラベルモデルを調整します。 その結果,従来の手法よりもF1スコアが9%高い結果が得られた。
  論文  参考訳（メタデータ） (2022-11-13T17:57:07Z)

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。